개미에서 영감을 받은 이 AI 두뇌는 농장 로봇이 작물을 더 잘 탐색하도록 돕습니다.

개미에서 영감을 받은 이 AI 두뇌는 농장 로봇이 작물을 더 잘 탐색하도록 돕습니다.

타임 스탬프 : 3 년 2023 월 10 일 오전 00:XNUMX
개미에서 영감을 받은 이 AI 두뇌는 농장 로봇이 작물을 더 잘 탐색하는 데 도움이 됩니다. PlatoBlockchain 데이터 인텔리전스. 수직 검색. 일체 포함.

이것을 상상해보세요: 지는 해가 옥수수밭을 호박색과 금색의 눈부신 색상으로 물들입니다. 옥수수 속대와 바스락거리는 나뭇잎으로 무거워진 수천 개의 옥수수 줄기가 모든 사람 위에 우뚝 솟아 있습니다. 아이들은 옥수수 미로를 뛰어다니고 있습니다. 농작물을 조사하는 농부; 가을 수확을 위해 잘 익은 달콤한 귀를 부드럽게 따는 로봇이 윙윙 거리고 있습니다.

잠깐, 로봇?

목가적인 농경지와 로봇은 이상한 커플처럼 보일 수도 있습니다. 그러나 로봇이 주변을 "볼" 수 있게 해주는 점점 더 정교해지는 소프트웨어(컴퓨터 비전이라는 기술) 덕분에 로봇은 식품 생산 메인라인에 빠르게 통합되고 있습니다. 이제 로봇은 다음과 같은 일상적인 집안일을 수행하고 있습니다. 잘 익은 과일 수확 또는 작물을 시들게 하는 잡초를 파괴합니다.

와 지속적인 부족 농부들에게 희망은 다음과 같습니다 기계 농작물 수확량을 늘리고 신선한 과일과 채소를 식탁에 안정적으로 가져오며 낭비를 최소화하는 데 도움이 될 수 있습니다.

비전을 달성하려면 로봇 농장 노동자는 복잡하고 혼란스러운 농지를 횡단할 수 있어야 합니다. 불행하게도 이러한 기계는 최고의 항해자가 아닙니다. 특히 복잡하고 도전적인 지형에 직면할 때 길을 잃는 경향이 있습니다. 옥수수 미로에서 어려움을 겪는 아이들처럼 로봇은 자신의 위치를 ​​잊어버리는 경우가 너무 많아서 증상의 이름이 다음과 같습니다. 납치된 로봇 문제.

A  새로운 연구 in 과학 로봇 로봇에게 기억력을 부여함으로써 로봇의 탐색 능력을 향상시키는 것을 목표로 합니다.

에딘버러 대학의 바바라 웹(Barbara Webb) 박사가 이끄는 이 연구는 놀라운 출처인 개미로부터 영감을 얻었습니다. 이 동물들은 단 한 번의 여행 후에 원하는 목적지로 이동하는 데 매우 능숙합니다. 노련한 등산객처럼 그들은 길을 따라 무성한 초목을 통과할 때에도 익숙한 장소를 기억합니다.

팀은 배회하는 로봇에서 수집한 이미지를 사용하여 탐색 중 개미의 뇌 프로세스를 기반으로 하는 알고리즘을 개발했습니다. 뇌의 계산을 모방한 하드웨어에서 실행되었을 때 새로운 방법은 탐색 작업에서 최첨단 컴퓨터 비전 시스템을 압도했습니다.

“특히 곤충의 뇌는 효율성과 효율성의 강력한 조합을 제공합니다.”라고 연구팀은 말했습니다.

문제를 해결하는 것은 단지 제멋대로인 로봇 농장주에게 집에 돌아갈 수 있도록 돕는 내부 나침반을 제공하는 것이 아닙니다. 뉴로모픽 컴퓨팅(neuromorphic Computing)이라고 불리는 방법인 뇌의 계산을 활용하면 자율 주행 자동차와 같은 로봇이 세상과 상호 작용하는 방식을 더욱 정교하게 만들 수 있습니다.

개미의 삶

울창한 숲이나 옥수수 미로 주변을 헤매어본 적이 있다면 아마도 친구들에게 '우리는 어디인가?'라고 물었을 것입니다.

상점 정면과 기타 건물을 랜드마크로 삼아 도시 블록을 따라 걷는 것과는 달리 농경지를 탐색하는 것은 매우 어렵습니다. 가장 큰 이유는 주변 환경이 너무 비슷해 자신이 어디에 있는지, 어느 방향을 바라보고 있는지 알기 어렵다는 점이다.

로봇은 야생에서도 동일한 도전에 직면합니다. 현재 비전 시스템은 로봇이 지형을 횡단할 때 여러 대의 카메라를 사용하여 이미지를 캡처하지만 조명이나 기상 조건이 변하면 동일한 장면을 식별하는 데 어려움을 겪습니다. 알고리즘의 적응 속도가 느리기 때문에 복잡한 환경에서 자율 로봇을 안내하기가 어렵습니다.

개미가 들어오는 곳은 바로 여기입니다.

인간에 비해 상대적으로 제한된 두뇌 자원을 가지고 있음에도 불구하고 개미는 복잡한 새로운 환경을 학습하고 탐색하는 데 매우 뛰어납니다. 날씨, 진흙, 조명에 관계없이 이전 경로를 쉽게 기억합니다.

팀은 "GPS가 로봇에 허용하는 것보다 더 높은 정밀도"로 경로를 따라갈 수 있다고 말했습니다.

개미의 탐색 능력 중 한 가지 특징은 탐색 중에 자신이 어디에 있는지 정확히 알 필요가 없다는 것입니다. 오히려, 목표물을 찾기 위해 동물은 장소가 익숙한지 여부만 인식하면 됩니다.

이는 호텔에서 새로운 도시를 탐험하는 것과 같습니다. 지도에서 현재 위치를 반드시 알 필요는 없습니다. 아침 식사를 위해 카페로 가는 길만 기억하면 집으로 돌아갈 수 있습니다.

개미의 뇌에서 영감을 얻어 팀은 XNUMX단계에 걸쳐 뉴로모픽 로봇을 구축했습니다.

첫 번째는 소프트웨어였습니다. 개미는 작은 뇌를 가지고 있음에도 불구하고 익숙한 경로를 다시 방문하기 위해 신경 회로를 미세 조정하는 데 특히 능숙합니다. 이전 연구 결과를 바탕으로 팀은 개미 뇌의 일종의 신경 허브인 "버섯 몸체"에 집중했습니다. 이러한 허브는 주변의 시각적 정보를 학습하는 데 중요합니다. 그런 다음 정보는 개미의 뇌 전체에 퍼져 항해 결정을 내립니다. 예를 들어, 이 경로가 친숙해 보입니까, 아니면 다른 차선을 시도해야 합니까?

다음으로 동물의 눈처럼 이미지를 포착하는 이벤트 카메라가 등장했습니다. 결과 이미지는 사진을 찍는 동안 눈이 빛을 처리하는 방식을 모방하므로 컴퓨터 비전 훈련에 특히 유용합니다.

마지막 구성 요소는 하드웨어입니다. SpiNNaker은 컴퓨터 칩 뇌 기능을 모방하도록 만들어졌습니다. 영국 맨체스터 대학교에서 처음 설계한 이 칩은 생물학적 신경망의 내부 작동을 시뮬레이션하여 메모리를 인코딩합니다.

세 가지 구성 요소를 모두 함께 엮어 팀은 개미와 같은 시스템을 구축했습니다. 개념 증명으로 그들은 어려운 지형을 탐색할 때 모바일 로봇에 전원을 공급하기 위해 시스템을 사용했습니다. 대략 초대형 햄버거 크기에 Turtlebot3 버거라는 이름이 붙은 이 로봇은 하이킹을 하면서 이벤트 카메라로 이미지를 포착했습니다.

로봇이 숲이 우거진 땅을 굴러가는 동안 신경 형태의 '뇌'는 주변의 픽셀을 사용하여 빠르게 '사건'을 보고했습니다. 예를 들어 가지나 나뭇잎이 로봇의 시야를 가릴 경우 알고리즘은 경고 이벤트를 트리거했습니다.

이 작은 로봇은 다양한 높이의 초목에서 약 20피트를 횡단했고 그 트레킹을 통해 배웠습니다. 이 범위는 자신의 경로를 탐색하는 개미의 전형적인 범위라고 팀은 말했습니다. 여러 테스트에서 AI 모델은 보다 효율적인 분석을 위해 여행 데이터를 세분화했습니다. 팀이 경로를 변경했을 때 AI는 이에 따라 일반적인 경로를 학습했음을 보여 혼란스러운 반응을 보였습니다.

대조적으로, 인기 있는 알고리즘은 동일한 경로를 인식하는 데 어려움을 겪었습니다. 소프트웨어는 정확히 동일한 비디오 녹화를 본 경우에만 경로를 따라갈 수 있습니다. 즉, 개미에서 영감을 받은 알고리즘과 비교하면 일반화할 수 없었습니다.

보다 효율적인 로봇 두뇌

AI 모델은 에너지를 많이 소모하는 것으로 악명 높습니다. 뉴로모픽 시스템은 폭식을 줄일 수 있습니다.

시스템 뒤의 하드웨어인 SpiNNaker는 알고리즘에 에너지 다이어트를 적용합니다. 뇌의 신경망 구조를 기반으로 하는 이 칩은 대규모 병렬 컴퓨팅을 지원합니다. 즉, 여러 계산이 동시에 발생할 수 있습니다. 이 설정은 데이터 처리 지연을 줄일 뿐만 아니라 효율성도 향상시킵니다.

이 설정에서 각 칩에는 18개의 코어가 포함되어 있으며 대략 250개의 뉴런을 시뮬레이션합니다. 각 코어에는 데이터 처리에 대한 자체 지침이 있으며 이에 따라 메모리를 저장합니다. 이러한 종류의 분산 컴퓨팅은 어려운 지형에서 로봇을 조종하는 등 실시간 피드백을 처리할 때 특히 중요합니다.

다음 단계로 팀은 개미 뇌 회로를 더 깊이 파고들고 있습니다. 서로 다른 뇌 영역과 그룹 간의 신경 연결을 탐색하면 로봇의 효율성을 더욱 높일 수 있습니다. 결국 팀은 개미만큼 복잡하게 세상과 상호 작용하는 로봇을 구축하기를 희망합니다.

이미지 신용 : 패리스 모하메드 / Unsplash 

타임 스탬프 :

더보기 특이점 허브