Dritter Arm erleichtert manuelle Tätigkeiten

Japanische Wissenschaftler halten Innovation "AugLimb" weiterentwickelt für alltagstauglich

"AugLimb": mal eingefahren (links), mal volle Reichweite (Foto: Ding et al.)

Nomi/Tokio (pte014/17.09.2021/11:30) - Forscher des Japan Advanced Institute of Science and Technology http://jaist.ac.jp und der University of Tokyo http://www.u-tokyo.ac.jp haben mit "AugLimb" einen "Zusatzarm" entwickelt, der am Oberarm befestigt wird. Er ist so leicht, dass er den Träger kaum stört. "Die wichtigsten Eigenschaften sind der kompakte Aufbau, das geringe Gewicht und die große Reichweite. Wir glauben, dass AugLimb künftig so beliebt sein wird wie eine Smartwatch, da jeder, vom Senior bis zum Kind, es den ganzen Tag bequem tragen kann", so Entwickler Haoran Xie.

Viel Reichweite und flexibel

Im Gegensatz zu anderen Roboterarmen kann sich AugLimb erheblich ausdehnen. Ist das künstliche Körperteil voll ausgefahren, erreicht es die 2,5-fache Länge eines durchschnittlichen Unterarms. Am Ende ist ein Greifer befestigt, der unterschiedliche Objekte im Umfeld des Trägers erfassen und anreichen kann, etwa den Salzstreuer beim Kochen oder den Nagel beim Heimwerken.

Die Forscher glauben, dass der Roboarm von Chirurgen, Bauarbeitern und anderen Fachleuten genutzt werden könnte, die komplexe manuelle Aufgaben zu erledigen haben. Der Arm ist äußerst flexibel - er hat sieben Freiheitsgrade, sodass er praktisch jeder Aufgabe gewachsen ist. Der Träger muss allerdings Kabel hinter sich herziehen, die unter anderem den Strom für die Motoren transportieren.

Steuerung über Bio-Signale

Noch handelt es sich um einen Prototypen, der vom Träger nicht gesteuert werden kann. Das macht ein Operateur. Nächstes Ziel soll ein Mechanismus sein, der es dem Träger ermöglicht, Arm und Greifer selbst zu lenken. "Unser Ziel ist es, AugLimb mit biologischen Informationen zu kontrollieren, etwa mit der Elektromyografie, also den Signalen von Muskeln, oder dem Elektroenzephalogramm, den Signalen des Gehirns. Wir planen auch, Deep Learning zu nutzen, um die Analyse dieser Signale zu verbessern", unterstreicht Xie abschließend.