آموزش مسیریابی به ربات‌ها با سیستم زیست الهام از مغز حیوانات
به گزارش خبرگزاری آنا به نقل از IE، همه حیوانات از بزرگ تا کوچک مسیریاب‌های ماهری هستند. آنها بدون زحمت از زمین‌های متنوع از جنگل‌های انبوه گرفته تا بیابان‌های باز عبور می‌کنند.
اکنون محققان دانشگاه فناوری کوئینزلند (QUT) استرالیا راز‌های سیستم ناوبری مغز حیوانات را برای ساخت ربات‌های هوشمندتر کشف کرده اند.
این پژوهشگران به طور خاص، مغز حشرات و حیوانات را بررسی کردند تا در مورد توسعه سیستم‌های ناوبری روباتیک کم مصرف به بینشی برسند. آنها به رهبری «سمیه حسینی» یک سیستم ناوبری جدید ایجاد کرده اند که روش پردازش اطلاعات توسط مغز حیوانات را تقلید می‌کند.
«توبیاس فیشر» «Tobias Fischer» از مرکز رباتیک دانشگاه فناوری کوئینزلند می‌گوید: «حیوانات به طور چشمگیری در مسیریابی در محیط‌های بزرگ و پویا با کارایی و استحکام شگفت انگیز، مهارت دارند.»
وی افزود: «این مطالعه گامی به سوی سیستم‌های ناوبری زیست الهام است که روزی می‌توانند با رویکرد‌های مرسوم امروزی رقابت کرده و یا حتی از آنها پیشی بگیرند.»
الگوریتم‌های پیشرفته مغز حیوانات
حتی با وجود پیشرفت‌های اخیر فناوری، ربات‌ها هنوز در مسیریابی در محیط‌های پیچیده و دنیای واقعی کاستی‌هایی دارند. علاوه بر این، آنها اغلب به سیستم‌های هوش مصنوعی وابسته هستند که بسیار انرژی بر بوده و از نظر محاسباتی نیاز به آموزش دارند.
استقبال روزافزون از ربات‌ها در بخش‌های مختلف، مستلزم توسعه سیستم‌های ناوبری پیشرفته است.
رویکرد پژوهشگران دانشگاه کوئینزلند بر پایه «شبکه‌های عصبی اسپایکی» (SNN) یا همان «الگوریتم تشخیص مکان» استوار است؛ راه حل کارآمدتر و قوی تری که می‌تواند به حل این مشکلات موجود کمک کند.
سمیه حسینی گفت: SNNها شبکه‌های عصبی مصنوعی هستند که چگونگی پردازش اطلاعات توسط مغز‌های زیستی مانند نحوه ارتباط نورون‌ها در مغز حیوانات را با استفاده از سیگنال‌های مختصر و مجزا، تقلید می‌کنند.
وی افزود: «این شبکه‌ها به ویژه برای سخت افزار نورومورفیک - سخت افزار رایانه‌ای تخصصی تقلید کننده سیستم‌های عصبی زیستی - مناسب هستند که پردازش سریع‌تر و کاهش قابل توجه مصرف انرژی را ممکن می‌سازد.»
مناسب برای اکتشافات فضایی
این سیستم جدید از رویکرد «ماژول‌های شبکه عصبی» بهره می‌برد که از ورودی‌های بصری، برای تشخیص مکان استفاده می‌کند.
این ماژول‌ها مستقل نیستند و دسته جمعی کار می‌کنند. یک گروه مجموعه‌ای از چندین مدل است که به طور جمعی تصمیم می‌گیرند. سیستم ناوبری با ترکیب چندین شبکه عصبی اسپایکی در یک مجموعه، چندین مزیت به دست می‌آورد.
به عنوان مثال، این رویکرد، توانایی سیستم را برای تشخیص اماکن تحت شرایط مختلف، مانند تغییر در نور، آب و هوا، یا وجود بن بست، افزایش می‌دهد.
پروفسور «مایکل میلفورد» «Michael Milford» گفت: «استفاده از توالی تصاویر به جای تصاویر تکی باعث بهبود ۴۱ درصدی در دقت تشخیص مکان شد و به سیستم اجازه داد تا با تغییرات ظاهری در طول زمان و در فصول مختلف و شرایط آب و هوایی سازگار شود.»
این سیستم با موفقیت بر روی یک ربات کم مصرف آزمایش شد که عملی بودن خود را برای کاربرد‌های کم انرژی به اثبات رساند.
با پردازش اطلاعات در فواصل کوتاه و گسسته، SNNها می‌توانند هزینه‌های محاسباتی را به میزان قابل توجهی کاهش دهند. این باعث می‌شود آنها برای ربات‌های دارای محدودیت انرژی، مانند ربات‌هایی که در اکتشافات فضایی یا امداد رسانی در بلایا استفاده می‌شوند، مطلوب باشند.
حسینی اظهار داشت: «این کار می‌تواند راه را برای سیستم‌های ناوبری کارآمدتر و قابل اطمینان‌تر برای ربات‌های خود مختار در محیط‌های دارای محدودیت انرژی هموار کند. فرصت‌های هیجان‌انگیز شامل حوزه‌هایی مانند اکتشاف فضایی و امدادرسانی در بلایا است که در آنها بهینه سازی بهره وری انرژی و کاهش زمان واکنش بسیار حائز اهمیت است.»
نتایج این تحقیقات در نشریه IEEE Transactions on Robotics منتشر شده است.
انتهای پیام/