این مغز هوش مصنوعی الهام گرفته از مورچه به ربات‌های مزرعه‌دار کمک می‌کند تا در محصولات کشاورزی بهتر حرکت کنند

بازنشر افلاطون

دنبال: 0

This Ant-Inspired AI Brain Helps Farm Robots Better Navigate Crops PlatoBlockchain Data Intelligence. Vertical Search. Ai.

این را تصور کنید: غروب خورشید مزرعه ذرت را با رنگ های خیره کننده ای از کهربا و طلا رنگ می کند. هزاران ساقه ذرت، سنگین با لپه ها و برگ های خش خش، بر همه سر می زند—بچه هایی که در پیچ و خم های ذرت می دوند. کشاورزان در حال بررسی محصولات خود؛ و ربات‌ها در حالی که به آرامی گوش‌های رسیده و شیرین را برای برداشت محصول پاییزی می‌چینند وس می‌کنند.

صبر کن، روبات ها؟

زمین‌های کشاورزی و روبات‌های ایده‌آل ممکن است زوج عجیبی به نظر برسند. اما به لطف نرم‌افزار پیچیده‌تر که به روبات‌ها اجازه می‌دهد محیط اطراف خود را «دیدن» کنند - فناوری به نام بینایی کامپیوتری - آنها به سرعت در حال ادغام با خط اصلی تولید مواد غذایی ما هستند. روبات ها اکنون کارهای روزمره را انجام می دهند، مانند برداشت میوه های رسیده یا از بین بردن علف های هرز خشک شده محصول.

با کمبود مداوم در کشاورزان، امید این است که ماشین آلات می تواند به افزایش برداشت محصول کمک کند، میوه ها و سبزیجات تازه را با اطمینان به میز شام بیاورد و ضایعات را به حداقل برساند.

برای تحقق این چشم انداز، کشاورزان روباتی باید بتوانند از زمین های کشاورزی پیچیده و گیج کننده عبور کنند. متأسفانه، این ماشین ها بهترین ناوبرها نیستند. آنها تمایل به گم شدن دارند، به خصوص زمانی که با زمین های پیچیده و چالش برانگیز مواجه می شوند. مانند بچه‌هایی که در پیچ و خم ذرت تقلا می‌کنند، روبات‌ها مکان خود را فراموش می‌کنند، بنابراین اغلب این علامت یک نام دارد: مشکل ربات ربوده شده.

A مطالعه جدید in علوم رباتیک هدف آن تقویت مهارت های جهت یابی در روبات ها با دادن حافظه به آنها است.

به رهبری دکتر باربارا وب در دانشگاه ادینبورگ، الهام از یک منبع شگفت‌انگیز - مورچه‌ها بود. این جانوران به طرز قابل توجهی در حرکت به مقاصد مورد نظر پس از تنها یک سفر خوب هستند. آنها نیز مانند کوهنوردان باتجربه، مکان‌های آشنا را به یاد می‌آورند، حتی زمانی که در طول مسیر در میان پوشش گیاهی سنگین حرکت می‌کنند.

این تیم با استفاده از تصاویر جمع آوری شده از یک ربات رومینگ، الگوریتمی را بر اساس فرآیندهای مغزی در مورچه ها در طول مسیریابی توسعه دادند. هنگامی که این روش بر روی سخت افزاری که محاسبات مغز را نیز تقلید می کرد اجرا می شد، روش جدید بر یک سیستم بینایی کامپیوتری پیشرفته در وظایف ناوبری پیروز شد.

این تیم گفت: "مغز حشرات به طور خاص ترکیبی قدرتمند از کارایی و اثربخشی را ارائه می دهد."

حل این مشکل فقط به کشاورزان رباتیک سرکش یک قطب نمای داخلی نمی دهد تا به آنها کمک کند تا به خانه برسند. استفاده از محاسبات مغز - روشی به نام محاسبات نورومورفیک - می‌تواند نحوه تعامل روبات‌ها، مانند ماشین‌های خودران، با دنیای ما را بیشتر کند.

زندگی مورچه ای

اگر تا به حال در اطراف جنگل های انبوه یا پیچ و خم های ذرت پرسه زده اید، احتمالا از دوستان خود پرسیده اید: ما کجا هستیم؟

بر خلاف راه رفتن در امتداد یک بلوک شهر - با ویترین فروشگاه ها و ساختمان های دیگر به عنوان نشانه - پیمایش در یک مزرعه بسیار دشوار است. دلیل اصلی این است که تشخیص اینکه کجا هستید و در چه جهتی قرار دارید دشوار است زیرا محیط اطراف بسیار شبیه به نظر می رسد.

ربات ها در طبیعت با همین چالش روبرو هستند. در حال حاضر، سیستم‌های بینایی از چندین دوربین برای گرفتن تصاویر استفاده می‌کنند که ربات از زمین عبور می‌کند، اما در صورت تغییر شرایط آب‌وهوایی یا نور، برای شناسایی صحنه مشابه تلاش می‌کنند. انطباق الگوریتم ها کند است و هدایت روبات های مستقل را در محیط های پیچیده دشوار می کند.

اینجاست که مورچه ها وارد می شوند.

حتی با وجود منابع مغزی نسبتاً محدود در مقایسه با انسان، مورچه ها در یادگیری و مسیریابی در محیط های پیچیده جدید به طرز قابل توجهی درخشان هستند. آنها به راحتی مسیرهای قبلی را بدون توجه به آب و هوا، گل و لای یا نور به یاد می آورند.

آنها می‌توانند مسیری را با "دقت بالاتر از آنچه GPS برای یک روبات اجازه می‌دهد" دنبال کنند.

یکی از ویژگی‌های مهارت ناوبری مورچه‌ها این است که در طول مسیریابی نیازی به دانستن مکان دقیق آن ندارد. در عوض، برای یافتن هدف خود، مخلوق فقط باید تشخیص دهد که آیا یک مکان آشنا است یا خیر.

این مانند کاوش در یک شهر جدید از یک هتل است: لزوماً نیازی نیست که بدانید در کجای نقشه هستید. فقط باید جاده را به خاطر بسپارید تا برای صبحانه به کافه برسید تا بتوانید در مسیر بازگشت به خانه مانور دهید.

این تیم با استفاده از مغز مورچه ها به عنوان الهام، یک ربات نورومورفیک را در سه مرحله ساختند.

اولی نرم افزار بود. مورچه ها علیرغم داشتن مغز کوچک، به ویژه در تنظیم دقیق مدارهای عصبی خود برای بازدید مجدد از یک مسیر آشنا مهارت دارند. این تیم بر اساس یافته‌های قبلی خود، «جسم‌های قارچی»، نوعی مرکز عصبی در مغز مورچه‌ها را مورد بررسی قرار دادند. این هاب ها برای یادگیری اطلاعات بصری از محیط بسیار مهم هستند. سپس اطلاعات در سراسر مغز مورچه پخش می شود تا تصمیمات ناوبری را مطلع کند. مثلاً این مسیر آشنا به نظر می رسد یا باید لاین دیگری را امتحان کنم؟

دوربین های رویداد بعدی آمدند که تصاویری را مانند چشم یک حیوان می گیرند. تصاویر به‌دست‌آمده به‌ویژه برای آموزش بینایی رایانه مفید هستند، زیرا نحوه پردازش نور را در طول عکس توسط چشم تقلید می‌کنند.

آخرین جزء سخت افزار است: SpiNNaker، یک تراشه کامپیوتر برای تقلید از عملکردهای مغز ساخته شده است. این تراشه برای اولین بار در دانشگاه منچستر در بریتانیا مهندسی شد و عملکرد داخلی شبکه های عصبی بیولوژیکی را برای رمزگذاری حافظه شبیه سازی می کند.

تیم با ترکیب هر سه جزء به هم، سیستم مورچه مانند خود را ساخت. به عنوان اثبات مفهوم، آنها از این سیستم برای تامین انرژی یک ربات متحرک در هنگام حرکت در زمین های دشوار استفاده کردند. این ربات که تقریباً به اندازه یک همبرگر بسیار بزرگ است - و نام مناسبی برگر Turtlebot3 دارد - در حین پیاده روی با دوربین رویداد تصاویری را ثبت کرد.

همانطور که ربات در زمین های جنگلی می چرخید، "مغز" نورومورفیک آن با استفاده از پیکسل های اطراف خود به سرعت "رویدادها" را گزارش کرد. این الگوریتم یک رویداد هشدار دهنده را ایجاد می کند، به عنوان مثال، اگر شاخه ها یا برگ ها دید ربات را مخفی کنند.

این ربات کوچک تقریباً 20 فوت در پوشش گیاهی با ارتفاعات مختلف طی کرد و از مسیرهای خود آموخت. به گفته این تیم، این محدوده برای مورچه‌هایی که مسیر خود را طی می‌کنند، معمول است. در آزمایش‌های متعدد، مدل هوش مصنوعی داده‌های سفر را برای تجزیه و تحلیل کارآمدتر تجزیه کرد. وقتی تیم مسیر را تغییر داد، هوش مصنوعی با سردرگمی پاسخ داد - صبر کنید، قبلاً اینجا بود - و نشان داد که مسیر معمول را یاد گرفته است.

در مقابل، یک الگوریتم محبوب برای تشخیص همان مسیر تلاش کرد. این نرم افزار تنها در صورتی می تواند مسیری را دنبال کند که دقیقاً همان فیلم ضبط شده را ببیند. به عبارت دیگر، در مقایسه با الگوریتم الهام گرفته از مورچه، نمی‌توان آن را تعمیم داد.

مغز روباتی کارآمدتر

مدل‌های هوش مصنوعی به‌طور بدنامی تشنه انرژی هستند. سیستم های نورومورفیک می توانند شکم پرستی آنها را کاهش دهند.

SpiNNaker، سخت افزار پشت سیستم، الگوریتم را روی یک رژیم غذایی انرژی قرار می دهد. بر اساس ساختارهای شبکه عصبی مغز، این تراشه از محاسبات موازی انبوه پشتیبانی می کند، به این معنی که چندین محاسبات می توانند همزمان انجام شوند. این راه‌اندازی نه تنها تاخیر پردازش داده را کاهش می‌دهد، بلکه کارایی را نیز افزایش می‌دهد.

در این تنظیمات، هر چیپ شامل 18 هسته است که تقریباً 250 نورون را شبیه سازی می کند. هر هسته دستورالعمل های خاص خود را در مورد پردازش داده ها دارد و بر اساس آن حافظه را ذخیره می کند. این نوع از محاسبات توزیع شده به ویژه در هنگام پردازش بازخورد بلادرنگ، مانند مانور روبات‌ها در زمین‌های سخت، مهم است.

به عنوان گام بعدی، تیم در حال حفاری عمیق تر در مدارهای مغز مورچه ها هستند. بررسی ارتباطات عصبی بین مناطق و گروه‌های مختلف مغز می‌تواند کارایی ربات را افزایش دهد. در پایان، این تیم امیدوار است که ربات هایی بسازد که با پیچیدگی یک مورچه با جهان تعامل داشته باشند.

تصویر های اعتباری: فارس محمد / می Unsplash