ناوبری نوآورانه ربات با الهام از عملکرد مغز، کارایی و دقت را افزایش می دهد

این پژوهش به رهبری سمیه حسینی، محقق پسادکتری، در کنار پروفسور مایکل میلفورد و دکتر توبیاس فیشر از مرکز رباتیک QUT، در مجله منتشر شد. معاملات IEEE در رباتیک و توسط سازنده تراشه اینتل پشتیبانی می شود، یک الگوریتم جدید تشخیص مکان را با استفاده از شبکه های عصبی Spiking (SNN) پیشنهاد می کند.

خانم حسینی گفت: «SNNها شبکه های عصبی مصنوعی هستند که نحوه پردازش مغزهای بیولوژیکی اطلاعات را با استفاده از سیگنال های مختصر و مجزا تقلید می کنند، دقیقاً شبیه نحوه ارتباط نورون ها در مغز حیوانات».

این شبکه ها به ویژه برای سخت افزار نورومورفیک مناسب هستند - سخت افزار کامپیوتری تخصصی که سیستم های عصبی بیولوژیکی را تقلید می کنند - که پردازش سریع تر و کاهش قابل توجه مصرف انرژی را ممکن می سازد.

در حالی که رباتیک در سال های اخیر شاهد پیشرفت سریعی بوده است، ربات های مدرن هنوز برای حرکت و کار در محیط های پیچیده و ناشناخته تلاش می کنند. آنها همچنین اغلب به سیستم های ناوبری مشتق از هوش مصنوعی متکی هستند که رژیم های آموزشی آن ها نیازمند محاسبات و انرژی قابل توجهی هستند.

دکتر فیشر گفت: «حیوانات به طور قابل توجهی در مسیریابی در محیط های بزرگ و پویا با کارایی و استحکام شگفت انگیز مهارت دارند.

"این کار گامی به سوی هدف سیستم های ناوبری الهام گرفته شده از بیولوژیکی است که روزی می تواند با رویکردهای مرسوم امروزی رقابت کند یا حتی از آنها پیشی بگیرد."

سیستم توسعه یافته توسط تیم QUT از ماژول های شبکه عصبی کوچک برای تشخیص مکان های خاص از تصاویر استفاده می کند. این ماژول ها در یک مجموعه، گروهی از شبکه های اسپکینگ متعدد، ترکیب شدند تا یک سیستم ناوبری مقیاس پذیر ایجاد کنند که قادر به یادگیری جهت یابی در محیط های بزرگ است.

پروفسور میلفورد گفت: "استفاده از توالی تصاویر به جای تصاویر منفرد باعث بهبود 41 درصدی 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 محدود به منابع نشان داده شد و اثبات مفهومی است که این رویکرد در سناریوهای دنیای واقعی که در آن بهره وری انرژی حیاتی است، عملی است.

خانم حسینی "این کار می تواند راه را برای سیستم های ناوبری کارآمدتر و قابل اعتمادتر برای روبات های خودران در محیط های محدود انرژی هموار کند. فرصت های هیجان انگیز به ویژه شامل حوزه هایی مانند اکتشاف فضا و بازیابی بلایا است که در آن بهینه سازی بهره وری انرژی و کاهش زمان پاسخ بسیار مهم است." گفت.