ناوبری ربات الهام‌گرفته از مغز: دقت و کارایی بی‌نظیر

الهام‌گیری از مغز حشرات و حیوانات برای ناوبری رباتیک انرژی‌کارآمد

یک تیم تحقیقاتی از دانشگاه QUT با الهام از مغز حشرات و حیوانات، به دنبال توسعه ناوبری رباتیک با مصرف انرژی کمتر است. این تحقیق به رهبری سماح حسینی، پژوهشگر فوق‌دکتری، و با همکاری پروفسور مایکل میلفورد و دکتر توبیاس فیشر از مرکز رباتیک QUT انجام شده و نتایج آن در نشریه IEEE Transactions on Robotics منتشر شده است. این تحقیق که با حمایت شرکت تولیدکننده تراشه اینتل انجام شده، یک الگوریتم جدید شناسایی مکان با استفاده از شبکه‌های عصبی پالس‌دار (SNNs) را پیشنهاد می‌کند.

سماح حسینی در این باره گفت: “شبکه‌های عصبی پالس‌دار، شبکه‌های عصبی مصنوعی هستند که نحوه پردازش اطلاعات در مغزهای بیولوژیکی را با استفاده از سیگنال‌های مختصر و گسسته شبیه‌سازی می‌کنند، مشابه نحوه ارتباط نورون‌ها در مغز حیوانات.” او افزود: “این شبکه‌ها به‌ویژه برای سخت‌افزارهای نورومورفیک—سخت‌افزارهای کامپیوتری تخصصی که سیستم‌های عصبی بیولوژیکی را شبیه‌سازی می‌کنند—بسیار مناسب هستند و امکان پردازش سریع‌تر و کاهش قابل توجه مصرف انرژی را فراهم می‌کنند.”

اگرچه رباتیک در سال‌های اخیر پیشرفت‌های سریعی داشته است، ربات‌های مدرن هنوز در ناوبری و عملکرد در محیط‌های پیچیده و ناشناخته با چالش‌هایی مواجه هستند. این ربات‌ها اغلب به سیستم‌های ناوبری مبتنی بر هوش مصنوعی وابسته‌اند، که رژیم‌های آموزشی آن‌ها نیاز به محاسبات و مصرف انرژی زیادی دارد. دکتر فیشر در این زمینه گفت: “حیوانات به طرز شگفت‌انگیزی در ناوبری در محیط‌های بزرگ و پویا با کارایی و استحکام فوق‌العاده‌ای عمل می‌کنند.”

پیشرفت در سیستم‌های ناوبری الهام‌گرفته از زیست‌شناسی

این تحقیق گامی به سوی هدف ایجاد سیستم‌های ناوبری الهام‌گرفته از زیست‌شناسی است که ممکن است روزی با روش‌های متداول کنونی رقابت کرده و حتی از آن‌ها پیشی بگیرند.

سیستم توسعه‌یافته توسط تیم دانشگاه فناوری کوئینزلند (QUT) از ماژول‌های کوچک شبکه‌های عصبی برای شناسایی مکان‌های خاص از تصاویر استفاده می‌کند. این ماژول‌ها به صورت یک مجموعه ترکیب شده‌اند که شامل گروهی از چندین شبکه عصبی فعال است تا یک سیستم ناوبری مقیاس‌پذیر ایجاد کنند که قادر به یادگیری ناوبری در محیط‌های بزرگ باشد.

پروفسور میلفورد گفت: “استفاده از توالی‌های تصویری به جای تصاویر تکی، دقت شناسایی مکان را تا ۴۱ درصد بهبود بخشید و به سیستم این امکان را داد که با تغییرات ظاهری در طول زمان و در فصول و شرایط جوی مختلف سازگار شود.”

این سیستم با موفقیت بر روی یک ربات با منابع محدود به نمایش درآمد و نشان داد که این رویکرد در سناریوهای واقعی که کارایی انرژی اهمیت بالایی دارد، عملی است.

خانم حسینی افزود: “این تحقیق می‌تواند راه را برای ایجاد سیستم‌های ناوبری کارآمدتر و قابل اعتمادتر برای ربات‌های خودران در محیط‌های با محدودیت انرژی هموار کند. فرصت‌های هیجان‌انگیز به ویژه در زمینه‌هایی مانند اکتشاش فضایی و بازیابی پس از بحران وجود دارد، جایی که بهینه‌سازی کارایی انرژی و کاهش زمان پاسخ‌دهی از اهمیت بالایی برخوردار است.”