28/02/2025
Door Liam van Koert
Een recent onderzoek, gepubliceerd in Engineering, onthult een nieuw op deep learning (DL) gebaseerd framework voor adaptieve navigatie van microzwermen die in grootte aanpasbaar zijn.
Micro-/nanorobots zijn opgekomen als een revolutionaire kracht in de biomedische sector. Zoals in het artikel wordt beschreven, hebben ze een enorm potentieel in verschillende toepassingen, waaronder minimaal invasieve chirurgie, gerichte medicijn toediening en precisietherapie. Eerdere studies hebben bijvoorbeeld de succesvol gerichte toediening van medicijnen aangetoond door biohybride microrobots. Echter, de weg naar autonome botsingsvrije navigatie van microzwermen in beperkte ruimtes is problematisch gebleken. Microzwermen variëren in afmetingen, en traditionele padplanningsmethoden houden geen rekening met de afmetingen van microrobots. Bovendien hebben ze moeite om met de herconfigureerbaarheid van vervormbare microrobots te gaan, wat een belangrijke lacune in het veld achterlaat.
Deep learning
Om deze kloof te overbruggen, ontwikkelde het onderzoeksteam een geavanceerd algoritme dat is gebaseerd op een deep Q-netwerk (DQN) dat specifiek is ontworpen voor padplanning. Deze nieuwe rekenmethode, getraind middels reinforcement learning, is ideaal voor complexe scenario's, zoals omgevingen met kanaalachtige structuren en die vol dynamische obstakels zitten. Het DQN-model werd getraind met vier verschillende formaten van microrobots: 1×1, 2×2, 3×3 en 5×5 pixels. Na 30.000 trainingssessies steeg het succespercentage van het zoeken boven de 92%. Dit toont niet alleen de effectiviteit van het model aan, maar ook het vermogen om een adaptieve veilige afstand te bieden voor diverse microrobots, wat zorgt voor betrouwbare navigatie. In experimenten met een microbol en een microswarm stelde de DQN-gebaseerde planningsstrategie beide agenten in staat om behendig obstakels te vermijden en hun beoogde doelen te bereiken, zelfs bij dynamische obstakels.
Naast de bewegingsplanning introduceerden de onderzoekers een patroonverdelingsplanner. Deze richt zich op real-time planning en controle van het zwermpatroon, en gebruikt een kostenfunctie om de optimale zwermverdeling te identificeren binnen een diep convolutioneel neuraal netwerk (DCNN). Zo was één zwermpatroon een lintvormig waarbij het DCNN een optimale verdeling bepaalde rekening houdend met de omliggende obstakels. Of het nu in open ruimtes betrof, een ruimte met vele obstakels, of een kanalenstelsen, de vormverhouding en de oriëntatiehoek van de zwerm werden fijn afgestemd, wat een veilige en efficiënte navigatie tot gevolg had.
Het artikel "A Deep Learning-based Framework for Environment-adaptive Navigation of Size-adaptable Microswarms" is geschreven door Jialin Jiang, Lidong Yang, Shihao Yang, Li Zhang. De volledige tekst van het open access artikel is te vinden op: https://doi.org/10.1016/j.eng.2024.11.020. Voor meer informatie over Engineering, volg ons op X (https://twitter.com/EngineeringJrnl) en like ons op Facebook (https://www.facebook.com/EngineeringJrnl).