Otak AI yang Terinspirasi Semut Ini Membantu Robot Pertanian Menavigasi Tanaman dengan Lebih Baik

Otak AI yang Terinspirasi Semut Ini Membantu Robot Pertanian Menavigasi Tanaman dengan Lebih Baik

Stempel Waktu: 3 Oktober 2023 10:00
Otak AI yang Terinspirasi Semut Ini Membantu Robot Pertanian Menavigasi Tanaman dengan Lebih Baik Kecerdasan Data PlatoBlockchain. Pencarian Vertikal. Ai.

Bayangkan ini: matahari terbenam mewarnai ladang jagung dengan warna kuning dan emas yang mempesona. Ribuan batang jagung, penuh dengan tongkol dan gemerisik dedaunan, menjulang tinggi di atas semua orang—anak-anak berlarian melewati labirin jagung; petani memeriksa hasil panen mereka; dan robot-robot yang lewat sambil memetik dengan hati-hati buah telinga yang matang dan manis untuk panen musim gugur.

Tunggu, robot?

Lahan pertanian dan robot yang indah mungkin terlihat seperti pasangan yang aneh. Namun berkat perangkat lunak yang semakin canggih yang memungkinkan robot untuk “melihat” sekelilingnya—sebuah teknologi yang disebut visi komputer—mereka dengan cepat berintegrasi ke dalam jalur utama produksi pangan kita. Robot sekarang melakukan tugas sehari-hari, seperti memanen buah matang atau memusnahkan gulma yang layu pada tanaman.

Dengan kekurangan yang berkelanjutan pada buruh tani, harapannya begitu mesin dapat membantu meningkatkan hasil panen, menghadirkan buah-buahan dan sayuran segar ke meja makan, dan meminimalkan limbah.

Untuk memenuhi visi tersebut, robot pekerja pertanian harus mampu melintasi lahan pertanian yang kompleks dan membingungkan. Sayangnya, mesin ini bukanlah navigator terbaik. Mereka cenderung tersesat, terutama ketika menghadapi medan yang rumit dan menantang. Seperti anak-anak yang berjuang di labirin jagung, robot lupa lokasinya sehingga sering kali gejalanya diberi nama: masalah robot yang diculik.

A  baru studi in Robotika ilmu bertujuan untuk meningkatkan keterampilan navigasi pada robot dengan memberi mereka memori.

Dipimpin oleh Dr. Barbara Webb di Universitas Edinburgh, inspirasi datang dari sumber yang mengejutkan—semut. Makhluk-makhluk ini sangat pandai dalam menavigasi ke tujuan yang diinginkan hanya dalam satu perjalanan. Seperti halnya pendaki berpengalaman, mereka juga mengingat lokasi-lokasi yang mereka kenal, bahkan ketika melewati vegetasi lebat di sepanjang perjalanan.

Dengan menggunakan gambar yang dikumpulkan dari robot penjelajah, tim mengembangkan algoritma berdasarkan proses otak semut selama navigasi. Ketika dijalankan pada perangkat keras yang juga meniru komputasi otak, metode baru ini mengungguli sistem visi komputer tercanggih dalam tugas navigasi.

“Otak serangga khususnya memberikan kombinasi yang kuat antara efisiensi dan efektivitas,” kata tim tersebut.

Memecahkan masalah ini tidak hanya memberikan kompas internal kepada pekerja pertanian robot yang bandel untuk membantu mereka pulang. Memanfaatkan komputasi otak—sebuah metode yang disebut komputasi neuromorfik—dapat lebih menyempurnakan cara robot, seperti mobil yang dapat mengemudi sendiri, berinteraksi dengan dunia kita.

Kehidupan Semut

Jika Anda pernah berjalan-jalan di hutan lebat atau labirin jagung, Anda mungkin bertanya kepada teman Anda: Di mana kita?

Berbeda dengan berjalan di sepanjang blok kota—dengan etalase toko dan bangunan lain sebagai penandanya—menjelajahi ladang tanaman sangatlah sulit. Alasan utamanya adalah sulitnya mengetahui di mana Anda berada dan ke arah mana Anda menghadap karena lingkungan sekitar terlihat sangat mirip.

Robot menghadapi tantangan yang sama di alam liar. Saat ini, sistem penglihatan menggunakan beberapa kamera untuk menangkap gambar saat robot melintasi medan, namun sistem tersebut kesulitan mengidentifikasi pemandangan yang sama jika kondisi pencahayaan atau cuaca berubah. Algoritmenya lambat dalam beradaptasi, sehingga sulit untuk memandu robot otonom di lingkungan yang kompleks.

Di sinilah semut berperan.

Bahkan dengan sumber daya otak yang relatif terbatas dibandingkan manusia, semut sangat cerdas dalam belajar dan menavigasi lingkungan baru yang kompleks. Mereka dengan mudah mengingat rute sebelumnya terlepas dari cuaca, lumpur, atau pencahayaan.

Mereka dapat mengikuti rute dengan “presisi lebih tinggi daripada yang dimungkinkan oleh GPS pada robot,” kata tim tersebut.

Salah satu kekhasan kehebatan navigasi semut adalah ia tidak perlu mengetahui secara pasti di mana ia berada saat bernavigasi. Sebaliknya, untuk menemukan targetnya, makhluk tersebut hanya perlu mengenali apakah suatu tempat familiar.

Ini seperti menjelajahi kota baru dari hotel: Anda tidak perlu mengetahui lokasi Anda di peta. Anda hanya perlu mengingat jalan menuju kafe untuk sarapan sehingga Anda bisa bermanuver dalam perjalanan pulang.

Menggunakan otak semut sebagai inspirasi, tim membangun robot neuromorfik dalam tiga langkah.

Yang pertama adalah perangkat lunak. Meski memiliki otak kecil, semut sangat mahir dalam menyempurnakan sirkuit sarafnya untuk mengunjungi kembali rute yang sudah dikenalnya. Berdasarkan temuan mereka sebelumnya, tim tersebut menemukan “tubuh jamur”, sejenis pusat saraf di otak semut. Hub ini sangat penting untuk mempelajari informasi visual dari lingkungan sekitar. Informasi tersebut kemudian menyebar ke seluruh otak semut untuk menentukan keputusan navigasi. Misalnya, apakah rute ini terlihat familier, atau haruskah saya mencoba jalur lain?

Berikutnya adalah kamera peristiwa, yang menangkap gambar seperti mata binatang. Gambar yang dihasilkan sangat berguna untuk melatih penglihatan komputer karena meniru cara mata memproses cahaya saat mengambil foto.

Komponen terakhir adalah perangkat keras: SpinNaker, Sebuah chip komputer dibangun untuk meniru fungsi otak. Pertama kali direkayasa di Universitas Manchester di Inggris, chip ini mensimulasikan cara kerja internal jaringan saraf biologis untuk menyandikan memori.

Dengan menyatukan ketiga komponen tersebut, tim membangun sistem mirip semut. Sebagai bukti konsep, mereka menggunakan sistem tersebut untuk menggerakkan robot bergerak saat menavigasi medan yang sulit. Robot tersebut, kira-kira seukuran hamburger ekstra besar—dan diberi nama burger Turtlebot3—mengambil gambar dengan kamera peristiwa saat ia melakukan pendakian.

Saat robot meluncur melintasi lahan hutan, “otak” neuromorfiknya dengan cepat melaporkan “peristiwa” menggunakan piksel di sekitarnya. Algoritme tersebut memicu peristiwa peringatan, misalnya jika cabang atau daun menghalangi pandangan robot.

Bot kecil itu melintasi sekitar 20 kaki di vegetasi dengan berbagai ketinggian dan belajar dari perjalanannya. Kisaran ini merupakan tipikal seekor semut yang menavigasi rutenya, kata tim tersebut. Dalam beberapa pengujian, model AI memecah data dari perjalanan untuk analisis yang lebih efisien. Ketika tim mengubah rute, AI meresponsnya dengan kebingungan—tunggu, apakah ini pernah terjadi sebelumnya—menunjukkan bahwa mereka telah mempelajari rute yang biasa.

Sebaliknya, algoritme populer kesulitan mengenali rute yang sama. Perangkat lunak hanya dapat mengikuti rute jika melihat rekaman video yang sama persis. Dengan kata lain, dibandingkan dengan algoritma yang terinspirasi dari semut, algoritma ini tidak dapat menggeneralisasi.

Otak Robot yang Lebih Efisien

Model AI terkenal haus energi. Sistem neuromorfik dapat memangkas kerakusan mereka.

SpiNNaker, perangkat keras di balik sistem, menerapkan algoritme pada diet energi. Berdasarkan struktur jaringan saraf otak, chip tersebut mendukung komputasi paralel besar-besaran, yang berarti bahwa banyak komputasi dapat terjadi pada saat yang bersamaan. Pengaturan ini tidak hanya mengurangi kelambatan pemrosesan data, namun juga meningkatkan efisiensi.

Dalam pengaturan ini, setiap chip berisi 18 inti, yang mensimulasikan sekitar 250 neuron. Setiap inti memiliki instruksinya sendiri dalam pemrosesan data dan menyimpan memori yang sesuai. Komputasi terdistribusi semacam ini sangat penting ketika memproses umpan balik secara real-time, seperti manuver robot di medan yang sulit.

Sebagai langkah selanjutnya, tim menggali lebih dalam sirkuit otak semut. Menjelajahi hubungan saraf antara berbagai wilayah dan kelompok otak dapat lebih meningkatkan efisiensi robot. Pada akhirnya, tim berharap dapat membuat robot yang berinteraksi dengan dunia dengan kompleksitas yang sama besarnya dengan semut.

Gambar Kredit: Faris Muhammad / Unsplash 

Stempel Waktu:

Lebih dari Hub Singularity