ایده‌گرفتن از مغز حشرات و حیوانات برای ربات‌های راه‌یاب، با مصرف کمِ انرژی

یه گروه پژوهشی از دانشگاه QUT دارن از روی مغز حشرات و حیوانات ایده می‌گیرن تا ربات‌هایی بسازن که بتونن راه‌شون رو پیدا کنن و انرژی کمتری مصرف کنن. این تحقیق رو سماح حسینی، که الان پسا دکتریه، رهبری می‌کنه و پروفسور مایکل میلفورد و دکتر توبیاس فیشر از مرکز رباتیک QUT هم توش همکاری دارن. نتایج این پژوهش تو مجله‌ی IEEE Transactions on Robotics چاپ شده. این کار با حمایت مالی شرکت تراشه‌سازی اینتل انجام شده و یه روش جدید برای پیدا کردن مکان ربات‌ها با استفاده از شبکه‌های عصبی پالسی (SNNs) ارائه می‌ده.

سماح حسینی می‌گه: «شبکه‌های عصبی پالسی، شبکه‌های عصبی مصنوعی هستن که سعی می‌کنن نحوه‌ی پردازش اطلاعات تو مغز موجودات زنده رو تقلید کنن. این کار با استفاده از سیگنال‌های کوتاه و جدا از هم انجام می‌شه، درست مثل ارتباط بین نورون‌ها تو مغز حیوونا.» اون اضافه می‌کنه: «این شبکه‌ها برای سخت‌افزارهای نورومورفیک خیلی خوبن؛ یعنی سخت‌افزارهایی که برای شبیه‌سازی سیستم‌های عصبی بیولوژیکی ساخته شدن و می‌تونن پردازش اطلاعات رو سریع‌تر و با مصرف انرژی خیلی کمتر انجام بدن.»

یه عکس از آزمایشگاه تحقیقاتی دانشگاه QUT که توش دانشمندا دارن سیستم‌های راه‌یاب رباتیک که از مغز حشرات ایده گرفتن رو بررسی می‌کنن.
تیم تحقیقاتی دانشگاه QUT مشغول ساخت سیستم‌های راه‌یاب رباتیک با الهام از مغز حشرات.

با وجود پیشرفت‌های سریع رباتیک تو سال‌های اخیر، ربات‌های امروزی هنوز هم تو پیدا کردن راهشون و کار کردن تو محیط‌های پیچیده و ناشناخته مشکل دارن. این ربات‌ها معمولاً به سیستم‌های راه‌یاب مبتنی بر هوش مصنوعی متکی هستن که برای آموزش‌شون به محاسبات زیاد و مصرف انرژی بالا نیاز دارن. دکتر فیشر میگه: «حیوانات تو پیدا کردن راهشون تو محیط‌های بزرگ و در حال تغییر، واقعاً عالی عمل می‌کنن و خیلی کارآمد و مقاوم هستن.»

قدمی به جلو در سیستم‌های راه‌یاب الهام‌گرفته از طبیعت

این تحقیق یه قدمه به سمت ساخت سیستم‌های راه‌یابی الهام‌گرفته از زیست‌شناسی که ممکنه یه روزی بتونن با روش‌های مرسوم رقابت کنن و حتی ازشون بهتر بشن.

یه تصویر هنری از سیستم‌های راه‌یاب الهام‌گرفته از زیست‌شناسی که توش یه بازوی رباتیک با ماژول‌های عصبی کوچیک تعامل داره.
پیشرفت‌های نوآورانه تو ترکیب فناوری‌های رباتیک و زیست‌شناسی برای بهتر کردن سیستم‌های راه‌یابی.

سیستمی که تیم دانشگاه QUT توسعه داده، از ماژول‌های کوچک شبکه‌های عصبی برای شناسایی مکان‌ها با استفاده از تصاویر استفاده می‌کنه. این ماژول‌ها با هم ترکیب شدن تا یه سیستم راه‌یاب قابل‌تغییر (مقیاس‌پذیر) بسازن که می‌تونه یاد بگیره تو محیط‌های بزرگ راهش رو پیدا کنه.

پروفسور میلفورد گفت: «استفاده از دنباله‌ی تصاویر به جای یه عکس، دقت شناسایی مکان رو تا ۴۱ درصد بالا برد و به سیستم این امکان رو داد که با تغییرات ظاهری محیط تو زمان‌های مختلف، فصل‌ها و شرایط آب‌وهوایی گوناگون سازگار بشه.»

یه عکس از آزمایشات راه‌یابی رباتی تو یه محیط طبیعی، با یه ربات کوچیک که داره بین مانع‌ها حرکت می‌کنه.
موفقیت ربات‌ها در تشخیص و حرکت تو محیط‌های پیچیده و در حال تغییر.

این سیستم با موفقیت روی یه ربات که منابع محدودی داشت، آزمایش شد و نشون داد که این روش تو موقعیت‌های واقعی که صرفه‌جویی تو انرژی خیلی مهمه، کاربردیه.

خانم حسینی اضافه کرد: «این تحقیق می‌تونه راه رو برای ساخت سیستم‌های راه‌یاب بهینه‌تر و مطمئن‌تر برای ربات‌های خودران تو محیط‌هایی که محدودیت انرژی دارن، باز کنه. فرصت‌های جالبی به‌خصوص تو زمینه‌هایی مثل کاوش فضا و مدیریت بحران وجود داره، جایی که صرفه‌جویی تو انرژی و کاهش زمان پاسخ‌دهی خیلی مهمه.»

مقاله های شبیه به این مقاله

بیشتر بخوانید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *