سیستم الهام‌گرفته از مغز حیوانات به ربات‌ها یاد می‌دهد که از زمین‌های متنوع عبور کنند
همه حیوانات، کوچک و بزرگ، در ناوبری ماهر هستند. آن‌ها بدون زحمت از زمین‌های متنوعی عبور می‌کنند، از جنگل‌های انبوه تا بیابان‌های باز. پژوهشگران دانشگاه فناوری کوئینزلند (QUT) رازهای سیستم ناوبری مغز حیوانات را فاش کرده‌اند تا ربات‌های هوشمند‌تری بسازند.
به‌ویژه، آن‌ها به مغز حشرات و حیوانات روی آورده‌اند تا بینش‌هایی درباره توسعه سیستم‌های ناوبری رباتیک کارآمد از نظر انرژی به‌دست آورند.
یک تیم از پژوهشگران به سرپرستی سمیه حسینی سیستمی نوآورانه برای ناوبری توسعه داده‌اند که تقلید از شیوه پردازش اطلاعات مغز حیوانات می‌کند.
توبیاس فیشر از مرکز رباتیک QUT گفت: «حیوانات به شکلی شگفت‌انگیز و کارآمد در محیط‌های وسیع و پویا حرکت می‌کنند.»
فیشر اضافه کرد: «این کار گامی به‌سمت رسیدن به سیستم‌های ناوبری الهام گرفته شده از زیست‌شناسی است که روزی ممکن است با رویکردهای مرسوم امروزی رقابت کنند یا حتی از آن‌ها پیشی بگیرند.»
الگوریتم پیشرفته مغز حیوانات
حتی با وجود پیشرفت‌های فناورانه اخیر، ربات‌ها هنوز در ناوبری محیط‌های پیچیده و واقعی ناکام هستند.
علاوه‌براین، آن‌ها اغلب به سیستم‌های هوش مصنوعی نیاز دارند که انرژی‌بر و از نظر محاسباتی نیازمند منابع زیادی هستند.
پذیرش روزافزون ربات‌ها در بخش‌های مختلف نیازمند توسعه سیستم‌های ناوبری پیشرفته است.
رویکرد تیم QUT بر پایه شبکه‌های عصبی اسپایکی (SNNs) – یک «الگوریتم شناسایی مکان» – است. این رویکرد راه‌حلی کارآمدتر و مقاوم‌تر ارائه می‌کند که می‌تواند به حل این مشکلات بپردازد.
حسینی گفت: «شبکه‌های عصبی اسپایکی، شبکه‌های عصبی مصنوعی هستند که طریقه پردازش اطلاعات در مغزهای زیستی را با استفاده از سیگنال‌های کوتاه و گسسته مشابه می‌کنند، شبیه به نحوه ارتباط نورون‌ها در مغز حیوانات.»
حسینی توضیح داد: «این شبکه‌ها به‌ویژه برای سخت‌افزارهای نورومورفیک-سخت‌افزارهای کامپیوتری تخصصی که سیستم‌های عصبی زیستی را تقلید می‌کنند- مناسب هستند، که امکان پردازش سریع‌تر و کاهش مصرف انرژی به‌طور قابل‌توجهی را فراهم می‌کند.»
مناسب برای اکتشافات فضایی
این سیستم جدید از رویکرد «ماژول‌های شبکه عصبی» برای شناسایی مکان از ورودی‌های تصویری بهره می‌برد.
این ماژول‌ها تنها نیستند؛ آن‌ها به عنوان گروهی مشترک کار می‌کنند. یک گروه همکاری مجموعه‌ای از مدل‌های متعدد است که به‌صورت جمعی تصمیم می‌گیرند.
سیستم ناوبری با ترکیب چندین شبکه عصبی اسپایکی در یک گروه همکاری مزایای متعددی کسب می‌کند.
به عنوان مثال، توانایی سیستم در شناسایی مکان‌ها تحت شرایط متغیر مانند تغییرات نور، وضعیت جوی یا وجود انسدادها بهبود می‌یابد.
پروفسور مایکل میلفورد اظهار داشت: «استفاده از توالی‌های تصاویر به جای تصاویر منفرد، بهبود ۴۱ درصدی در دقت شناسایی مکان را فراهم کرد، که به سیستم اجازه می‌دهد تا با تغییرات ظاهری در طول زمان و در فصول و شرایط آب و هوایی مختلف سازگار شود.»
سیستم به‌طور موفقیتی بر روی یک ربات کم‌قدرت آزمایش شد که عملی بودن آن را برای برنامه‌های کاربردی کم‌مصرف نشان داد.
با پردازش اطلاعات در انفجارهای کوتاه و گسسته، SNNها می‌توانند به‌طور قابل‌توجهی هزینه‌های محاسباتی را کاهش دهند. این امر آن‌ها را برای ربات‌های با توان مصرفی محدود، مانند آن‌هایی که در اکتشافات فضایی یا عملیات نجات استفاده می‌شوند، ایده‌آل می‌سازد.
حسینی در بیانیه مطبوعاتی گفت: «این کار می‌تواند راه را برای سیستم‌های ناوبری کارآمد و قابل‌اعتمادتر برای ربات‌های خودمختار در محیط‌های محدود انرژی هموار کند. فرصت‌هایی به‌ویژه هیجان‌انگیز شامل حوزه‌هایی مانند اکتشافات فضایی و بازیابی فاجعه‌ها، جایی که بهینه‌سازی بهره‌وری انرژی و کاهش زمان پاسخ‌دهی حیاتی است، هستند.»
یافته‌ها در مجله IEEE Transactions on Robotics. منتشر شده‌اند.
