A világjárvány rávilágított arra, hogy a mérnökhallgatóknak otthoni környezetben is szükségük van kézzelfogható laboratóriumi eszközökre, mivel a számítógépes szimulációk önmagukban nem képesek teljesen visszaadni a valós fizikai kihívásokat, például a szenzorok zaját vagy a súrlódást.

A kutatók erre válaszul egy alacsony költségű, 3D-nyomtatható alkatrészekből álló, minden irányba (holonomikusan) mozogni képes oktatórobotot alkottak meg, amelyet egy speciális, az alkari izmok elektromos jeleit (sEMG) érzékelő karszalaggal lehet vezérelni.

Egy hibrid mesterséges intelligencia hálózat (CNN-LSTM) elemzi az izomjeleket, majd ezekből valós időben kiszámítja a felhasználó mozgási szándékát. A rendszer kiemelkedően jól teljesít: a vízszintes és függőleges mozgásokat 80% feletti, míg az ökölbeszorítást 99,56%-os pontossággal ismeri fel.

A fejlesztés legnagyobb újdonsága, hogy egy elérhető árú, otthoni környezetben is könnyen használható platformon egyesíti a bonyolult térbeli mozgást és az intelligens távvezérlést.

Ez a kutatás nagyszerűen példázza az Óbudai Egyetem elköteleződését a fejlett robotika iránt, hiszen olyan innovatív, emberközpontú rendszereket hoz létre, amelyek a jövő mérnökeinek gyakorlati oktatását határokon átívelően is forradalmasítják.

Kulcsszavak oktatórobot, izomvezérlés, otthoni labor, mesterséges intelligencia, fejlett robotika

További részletek

Noboa, Erick Alexander, Lourdes Ruiz, György Eigner, and Péter Galambos. „Portable Holonomic Educational Robot Platform for Home Laboratory—Study Case: AI-Based Electromyography Control.” Technologies, 2026.

Abstract The post-pandemic evolution of education involving mechatronics and machine learning has shifted the demand for robotic hardware from centralized laboratories to accessible laboratories in home environments. This paper presents a portable three-wheeled holo-nomic robotic platform designed for remote research and home office experimentation. The proposed system utilizes a modular design and low-cost philosophy comprising a custom embedded control system driven by an ESP32-WROOM microcontroller, which manages a closed-loop PID velocity controller using Hall effect feedback from three DC micromotors. In contrast, external nodes allow the reception, conditioning, and classification of 8-channel surface electromyography (sEMG) data sampled at 500 Hz. To address the non-stationarity and stochastic noise in raw sEMG signals, this study implements a hybrid Deep Learn-ing (DL) architecture that complements 2D Convolutional Neural Networks (CNN) for spatial feature extraction with Long Short-Term Memory (LSTM) networks for temporal context awareness. This model decodes the neuromuscular intent of the user into real-time holonomic velocity vectors, achieving validation accuracies of 80.51% for horizontal move-ment, 84.86% for vertical translation, and 99.56% for the Fist/no-Fist state. By synthesizing advanced AI-based teleoperation with a portable design, this study establishes a scalable framework for the next generation of “laboratory-at-home” educational tools and research regardless of physical location.

Keywords holonomic mobile platform, home-education, deep learning, electromyography, teleoperation

Az eredeti közlemény elérhető az alábbi linkre kattintva: https://doi.org/10.3390/technologies1400308