See sipelgast inspireeritud tehisintellekti aju aitab talurobotidel põllukultuuridel paremini navigeerida

Kujutage ette seda: loojuv päike maalib maisipõllu pimestavates merevaigu ja kulla toonides. Kõigi kohal kõrguvad tuhanded maisitõlvikud ja kahisevad lehed – lapsed, kes jooksevad läbi maisilabürindi; põllumehed, kes uurivad oma saaki; ja mööda tuhisevad robotid, kes sügisese saagikoristuse jaoks õrnalt küpseid magusaid kõrvu kitkuvad.

Oot, robotid?

Idüllilised põllumaad ja robotid võivad tunduda kummalise paarina. Kuid tänu üha keerukamale tarkvarale, mis võimaldab robotitel oma ümbrust "näha" – tehnoloogiale, mida nimetatakse arvutinägemiseks –, integreeruvad nad kiiresti meie toidutootmise põhiliini. Robotid teevad nüüd igapäevaseid toimetusi, nt küpsete puuviljade koristamine või saagist närbuva umbrohu hävitamine.

koos jätkuv puudus talutööliste puhul on lootus see masinad võib aidata suurendada saagikoristust, tuua meie õhtusöögilauale usaldusväärselt värskeid puu- ja köögivilju ning minimeerida jäätmeid.

Visiooni täitmiseks peavad robotfarmi töötajad suutma läbida keerulisi ja segaseid põllumaid. Kahjuks pole need masinad just parimad navigaatorid. Nad kipuvad eksima, eriti kui seisavad silmitsi keerulise ja väljakutseid pakkuva maastikuga. Nagu maisilabürindis vaevlevad lapsed, unustavad robotid oma asukoha nii sageli, et sellel sümptomil on nimi: röövitud roboti probleem.

A  Uues uurimuses in Teaduse robotics eesmärk on parandada robotite navigeerimisoskusi, andes neile mälu.

Edinburghi ülikooli dr Barbara Webbi juhtimisel tuli inspiratsioon üllatavast allikast – sipelgatest. Need olendid oskavad juba pärast ühte reisi soovitud sihtkohtadesse navigeerida. Nagu kogenud matkajad, mäletavad nad ka tuttavaid asukohti, isegi kui nad liiguvad läbi tiheda taimestiku.

Kasutades rändrobotilt kogutud pilte, töötas meeskond välja algoritmi, mis põhineb navigeerimise ajal sipelgatel ajuprotsessidel. Kui seda käitati riistvaraga, mis jäljendab ka aju arvutusi, võitis uus meetod navigeerimisülesannetes tipptasemel arvutinägemissüsteemi üle.

"Eelkõige pakuvad putukate ajud tõhusat kombinatsiooni tõhususest ja tulemuslikkusest, " ütles meeskond.

Probleemi lahendamine ei anna eksitavatele robottaludele lihtsalt sisemist kompassi, mis aitab neil koju jõuda. Aju arvutamise – meetodi, mida nimetatakse neuromorfseks andmetöötluseks – kasutamine võib veelgi täpsustada, kuidas robotid, näiteks isejuhtivad autod, meie maailmaga suhtlevad.

Sipelga elu

Kui olete kunagi tihedas metsas või maisilabürintides ringi rännanud, olete ilmselt oma sõpradelt küsinud: Kus me oleme?

Erinevalt mööda linnakvartalist kõndimisest, mille vaatamisväärsusteks on poe esiküljed ja muud hooned, on viljapõllul navigeerimine äärmiselt keeruline. Peamine põhjus on see, et on raske öelda, kus te asute ja millises suunas te vaatate, kuna ümbritsev keskkond tundub nii sarnane.

Robotid seisavad looduses silmitsi sama väljakutsega. Praegu kasutavad nägemissüsteemid kujutiste jäädvustamiseks mitut kaamerat, kui robot maastikul risti läbib, kuid neil on raskusi sama stseeni tuvastamisega, kui valgustus või ilmastikutingimused muutuvad. Algoritmid kohanevad aeglaselt, muutes autonoomsete robotite juhtimise keerukates keskkondades keeruliseks.

Siin tulevad sisse sipelgad.

Isegi inimestega võrreldes suhteliselt piiratud ajuressurssidega on sipelgad märkimisväärselt suurepärased õppimises ja keerulistes uutes keskkondades navigeerimises. Nad jätavad eelmised marsruudid kergesti meelde, olenemata ilmast, mudast või valgustusest.

Nad suudavad jälgida marsruuti "suurema täpsusega, kui GPS võimaldaks robotil", ütles meeskond.

Üks sipelga navigeerimisvõime veidrus on see, et ta ei pea navigeerimise ajal teadma, kus ta täpselt asub. Pigem peab olev sihtmärgi leidmiseks tuvastama, kas koht on tuttav.

See on nagu hotellist uue linna avastamine: te ei pea tingimata teadma, kus te kaardil asute. Peate lihtsalt meeles pidama teed kohvikusse hommikusöögiks jõudmiseks, et saaksite koju tagasi manööverdada.

Kasutades inspiratsioonina sipelgaaju, ehitas meeskond kolmes etapis neuromorfse roboti.

Esimene oli tarkvara. Vaatamata väikesele ajule on sipelgad eriti osavad oma närviahelate peenhäälestamisel tuttava marsruudi uuesti külastamiseks. Varasemate leidude põhjal uuris meeskond "seenekehasid", mis on teatud tüüpi närvikeskus sipelgate ajus. Need jaoturid on keskkonnast visuaalse teabe õppimiseks kriitilise tähtsusega. Seejärel levib teave sipelga ajus, et teha navigatsiooniotsuseid. Näiteks, kas see marsruut tundub tuttav või peaksin proovima mõnda teist rada?

Järgmiseks tulid ürituste kaamerad, mis jäädvustavad pilte nagu loomasilm. Saadud kujutised on eriti kasulikud arvutinägemise treenimiseks, kuna need jäljendavad seda, kuidas silm foto tegemisel valgust töötleb.

Viimane komponent on riistvara: SpiNNakeron arvuti kiip ehitatud ajufunktsioonide jäljendamiseks. Esmakordselt Ühendkuningriigis Manchesteri ülikoolis välja töötatud kiip simuleerib mälu kodeerimiseks bioloogiliste närvivõrkude sisemist tööd.

Kõik kolm komponenti kokku põimides ehitas meeskond oma sipelgataolise süsteemi. Idee tõestuseks kasutasid nad süsteemi mobiilse roboti toiteks, kui see navigeeris keerulisel maastikul. Umbes ülisuure hamburgeri suurune robot – ja nimega Turtlebot3 burger – jäädvustas matkal olles sündmuste kaameraga pilte.

Kui robot veeres läbi metsamaa, teatas selle neuromorfne "aju" kiiresti "sündmustest", kasutades oma ümbruse piksleid. Algoritm käivitas hoiatussündmuse, näiteks kui oksad või lehed varjasid roboti nägemist.

Väike bot läbis umbes 20 jala kõrgust erineva kõrgusega taimestikku ja õppis oma rännakutest. See ulatus on tüüpiline marsruudil navigeerivale sipelgale, ütles meeskond. Mitme testi käigus jagas tehisintellekti mudel tõhusama analüüsi jaoks reisi andmed. Kui meeskond marsruuti muutis, reageeris tehisintellekt segadusega – oodake, kas see oli siin varem –, näidates, et on õppinud tavalist marsruuti.

Seevastu populaarne algoritm oli hädas sama marsruudi äratundmisega. Tarkvara saaks marsruuti jälgida ainult siis, kui nägi täpselt sama videosalvestust. Teisisõnu, võrreldes sipelgatest inspireeritud algoritmiga ei saanud see üldistada.

Tõhusam roboti aju

AI mudelid on kurikuulsalt energianäljased. Neuromorfsed süsteemid võivad nende ahnust vähendada.

Süsteemi taga olev riistvara SpiNNaker paneb algoritmi energiadieedile. Aju närvivõrgu struktuuride põhjal toetab kiip massiliselt paralleelset andmetöötlust, mis tähendab, et korraga võib toimuda mitu arvutust. See seadistus mitte ainult ei vähenda andmetöötluse viivitust, vaid suurendab ka tõhusust.

Selles seadistuses sisaldab iga kiip 18 südamikku, mis simuleerivad ligikaudu 250 neuronit. Igal tuumal on oma andmetöötluse juhised ja see salvestab mälu vastavalt. Selline hajutatud andmetöötlus on eriti oluline reaalajas tagasiside töötlemisel, näiteks robotite manööverdamisel keerulisel maastikul.

Järgmise sammuna uurib meeskond sipelgate aju ahelaid. Erinevate ajupiirkondade ja rühmade vaheliste närviühenduste uurimine võib veelgi suurendada roboti efektiivsust. Lõpuks loodab meeskond ehitada roboteid, mis suhtlevad maailmaga sama keeruliselt kui sipelgas.

Image Credit: Faris Mohammed / Unsplash 

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://singularityhub.com/2023/10/03/this-ant-inspired-ai-brain-helps-farm-robots-better-navigate-crops/