Denne maurinspirerte AI-hjernen hjelper gårdsroboter med å navigere avlinger bedre

Se for deg dette: solnedgangen maler en kornåker i blendende nyanser av rav og gull. Tusenvis av maisstilker, tunge av kolber og raslende blader, ruver over alle – barn som løper gjennom maislabyrinter; bønder som undersøker avlingene sine; og roboter som suser forbi mens de forsiktig plukker modne, søte ører for høstens innhøsting.

Vent, roboter?

Idylliske jordbruksland og roboter kan virke som et merkelig par. Men takket være stadig mer sofistikert programvare som lar roboter "se" omgivelsene sine – en teknologi som kalles datasyn – integreres de raskt i matproduksjonens hovedlinje. Roboter utfører nå hverdagslige gjøremål, som f.eks høsting av moden frukt eller ødelegge avlingens visnende ugress.

Med en pågående mangel hos gårdsarbeidere er håpet det maskiner kan bidra til å øke avlingene, bringe frisk frukt og grønnsaker til middagsbordene våre på en pålitelig måte og minimere avfall.

For å oppfylle visjonen må robotgårdsarbeidere være i stand til å krysse komplekse og forvirrende jordbruksland. Dessverre er disse maskinene ikke de beste navigatørene. De har en tendens til å gå seg vill, spesielt når de står overfor komplekst og utfordrende terreng. Som barn som sliter i en maislabyrint, glemmer roboter posisjonen sin så ofte har symptomet et navn: problemet med den kidnappede roboten.

A  ny studie in Science Robotics har som mål å øke navigasjonsferdighetene i roboter ved å gi dem hukommelse.

Ledet av Dr. Barbara Webb ved University of Edinburgh, kom inspirasjonen fra en overraskende kilde – maur. Disse krypene er bemerkelsesverdig gode til å navigere til ønskede destinasjoner etter bare én tur. Som erfarne turgåere husker de også kjente steder, selv når de beveger seg gjennom tung vegetasjon underveis.

Ved å bruke bilder samlet inn fra en roaming-robot utviklet teamet en algoritme basert på hjerneprosesser i maur under navigering. Når den ble kjørt på maskinvare som også etterlignet hjernens beregninger, seiret den nye metoden over et toppmoderne datasynssystem i navigasjonsoppgaver.

"Spesielt insekthjerner gir en kraftig kombinasjon av effektivitet og effektivitet," sa teamet.

Å løse problemet gir ikke bare egensindige robotbrukere et internt kompass som hjelper dem å komme seg hjem. Ved å benytte hjernens beregninger – en metode som kalles nevromorfisk databehandling – kan det ytterligere finslipe hvordan roboter, for eksempel selvkjørende biler, samhandler med vår verden.

En maurs liv

Hvis du noen gang har vandret rundt i tett skog eller maislabyrinter, har du sannsynligvis spurt vennene dine: Hvor er vi?

I motsetning til å gå langs en byblokk – med butikkfronter og andre bygninger som landemerker – er det ekstremt vanskelig å navigere på en avlingsmark. En hovedårsak er at det er vanskelig å si hvor du er og hvilken retning du vender, fordi miljøet rundt ser så likt ut.

Roboter møter den samme utfordringen i naturen. For tiden bruker synssystemer flere kameraer for å ta bilder når roboten krysser terrenget, men de sliter med å identifisere den samme scenen hvis lys- eller værforholdene endrer seg. Algoritmene er trege med å tilpasse seg, noe som gjør det vanskelig å veilede autonome roboter i komplekse miljøer.

Her kommer maurene inn.

Selv med relativt begrensede hjerneressurser sammenlignet med mennesker, er maur bemerkelsesverdig flinke til å lære og navigere i komplekse nye miljøer. De husker enkelt tidligere ruter uavhengig av vær, gjørme eller lys.

De kan følge en rute med "høyere presisjon enn GPS ville tillate for en robot," sa teamet.

En særhet ved en maurs navigasjonsdyktighet er at den ikke trenger å vite nøyaktig hvor den er under navigering. Snarere, for å finne målet sitt, trenger dyret bare å gjenkjenne om et sted er kjent.

Det er som å utforske en ny by fra et hotell: du trenger ikke nødvendigvis å vite hvor du er på kartet. Du trenger bare å huske veien for å komme til en kafé for frokost, slik at du kan manøvrere deg hjem igjen.

Ved å bruke maurhjerner som inspirasjon bygde teamet en nevromorf robot i tre trinn.

Den første var programvare. Til tross for å ha små hjerner, er maur spesielt flinke til å finjustere nevrale kretsløp for å gå tilbake til en kjent rute. Basert på deres tidligere funn, tok teamet seg inn på "soppkropper", en type nevrale knutepunkter i maurhjerner. Disse knutepunktene er avgjørende for å lære visuell informasjon fra omgivelsene. Informasjonen spres deretter over maurens hjerne for å informere om navigasjonsbeslutninger. Ser denne ruten for eksempel kjent ut, eller bør jeg prøve et annet kjørefelt?

Deretter kom hendelseskameraer, som fanger bilder som et dyrs øye kan. De resulterende bildene er spesielt nyttige for å trene datasyn fordi de etterligner hvordan øyet behandler lys under et fotografi.

Den siste komponenten er maskinvaren: SpinNakeren databrikke bygget for å etterligne hjernefunksjoner. Først utviklet ved University of Manchester i Storbritannia, simulerer brikken den interne funksjonen til biologiske nevrale nettverk for å kode minne.

Ved å veve alle tre komponentene sammen, bygde teamet sitt maurlignende system. Som et bevis på konseptet brukte de systemet til å drive en mobil robot mens den navigerte i vanskelig terreng. Roboten, omtrent på størrelse med en ekstra stor hamburger – og det passende navnet Turtlebot3-burgeren – tok bilder med hendelseskameraet mens den gikk på fotturen.

Mens roboten rullet gjennom skogkledde land, rapporterte dens nevromorfe "hjerne" raskt "hendelser" ved å bruke piksler fra omgivelsene. Algoritmen utløste en advarsel, for eksempel hvis grener eller blader skjulte robotens syn.

Den lille boten krysset omtrent 20 fot i vegetasjon i forskjellige høyder og lærte av turene sine. Denne rekkevidden er typisk for en maur som navigerer ruten sin, sa teamet. I flere tester brøt AI-modellen ned data fra turen for mer effektiv analyse. Da teamet endret ruten, reagerte AI tilsvarende med forvirring – vent, var dette her før – og viste at den hadde lært seg den vanlige ruten.

Derimot slet en populær algoritme med å gjenkjenne den samme ruten. Programvaren kunne bare følge en rute hvis den så nøyaktig samme videoopptak. Med andre ord, sammenlignet med den maurinspirerte algoritmen, kunne den ikke generalisere.

En mer effektiv robothjerne

AI-modeller er notorisk energihungrige. Nevromorfe systemer kan redusere fråtsigheten deres.

SpiNNaker, maskinvaren bak systemet, setter algoritmen på en energidiett. Basert på hjernens nevrale nettverksstrukturer, støtter brikken massivt parallell databehandling, noe som betyr at flere beregninger kan forekomme samtidig. Dette oppsettet reduserer ikke bare databehandlingsforsinkelsen, men øker også effektiviteten.

I dette oppsettet inneholder hver brikke 18 kjerner, som simulerer omtrent 250 nevroner. Hver kjerne har sine egne instruksjoner om databehandling og lagrer minne deretter. Denne typen distribuert databehandling er spesielt viktig når det gjelder å behandle tilbakemeldinger i sanntid, for eksempel manøvrering av roboter i vanskelig terreng.

Som et neste trinn graver teamet dypere inn i maurhjernens kretsløp. Å utforske nevrale forbindelser mellom forskjellige hjerneregioner og grupper kan øke effektiviteten til en robot ytterligere. Til slutt håper teamet å bygge roboter som samhandler med verden med like mye kompleksitet som en maur.

Bilde Credit: Faris Mohammed / Unsplash 

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://singularityhub.com/2023/10/03/this-ant-inspired-ai-brain-helps-farm-robots-better-navigate-crops/