สมอง AI ที่ได้รับแรงบันดาลใจจากมดช่วยให้หุ่นยนต์ในฟาร์มนำทางพืชผลได้ดีขึ้น

ลองนึกภาพ: พระอาทิตย์ที่กำลังตกแต่งแต้มทุ่งข้าวโพดด้วยเฉดสีอำพันและสีทองอันตระการตา ก้านข้าวโพดหลายพันต้น หนักไปด้วยซังและใบไม้ที่ส่งเสียงกรอบแกรบ ตั้งตระหง่านเหนือทุกคน—เด็กๆ วิ่งผ่านเขาวงกตข้าวโพด เกษตรกรตรวจสอบพืชผลของตน และหุ่นยนต์ที่หวือหวาขณะที่พวกเขาค่อยๆ เด็ดรวงสุกหวานที่สุกงอมเพื่อเก็บเกี่ยวในฤดูใบไม้ร่วง

เดี๋ยวก่อนหุ่นยนต์?

พื้นที่เพาะปลูกและหุ่นยนต์อันงดงามอาจดูเป็นคู่ที่แปลก แต่ต้องขอบคุณซอฟต์แวร์ที่มีความซับซ้อนมากขึ้นเรื่อยๆ ซึ่งช่วยให้หุ่นยนต์ “มองเห็น” สภาพแวดล้อมของพวกเขา — เทคโนโลยีที่เรียกว่าคอมพิวเตอร์วิทัศน์ — หุ่นยนต์เหล่านี้ได้รวมเข้ากับสายหลักการผลิตอาหารของเราอย่างรวดเร็ว ปัจจุบันหุ่นยนต์กำลังทำงานบ้านในแต่ละวัน เช่น เก็บเกี่ยวผลสุก หรือทำลายวัชพืชที่เหี่ยวเฉา

กับ ปัญหาการขาดแคลนอย่างต่อเนื่อง สำหรับคนทำงานในฟาร์มก็มีความหวังเช่นนั้น เครื่อง สามารถช่วยเพิ่มการเก็บเกี่ยวพืชผล นำผลไม้และผักสดมาที่โต๊ะอาหารค่ำของเราได้อย่างน่าเชื่อถือ และลดของเสียให้เหลือน้อยที่สุด

เพื่อเติมเต็มวิสัยทัศน์ คนงานในฟาร์มด้วยหุ่นยนต์จำเป็นต้องสามารถสำรวจพื้นที่เกษตรกรรมที่ซับซ้อนและสับสนได้ น่าเสียดายที่เครื่องจักรเหล่านี้ไม่ใช่เครื่องนำทางที่ดีที่สุด พวกเขามักจะหลงทาง โดยเฉพาะอย่างยิ่งเมื่อต้องเผชิญกับภูมิประเทศที่ซับซ้อนและท้าทาย เช่นเดียวกับเด็กๆ ที่ต้องดิ้นรนในเขาวงกตข้าวโพด หุ่นยนต์จะลืมตำแหน่งของตนเอง ดังนั้นบ่อยครั้งที่อาการดังกล่าวจะมีชื่อ: ปัญหาหุ่นยนต์ที่ถูกลักพาตัว.

A  การศึกษาใหม่ in วิทยาศาสตร์หุ่นยนต์ มีเป้าหมายเพื่อเพิ่มทักษะการนำทางในหุ่นยนต์โดยให้ความจำแก่พวกมัน

นำโดยดร. บาร์บารา เวบบ์ แห่งมหาวิทยาลัยเอดินบะระ แรงบันดาลใจมาจากแหล่งที่น่าประหลาดใจ นั่นก็คือ มด สัตว์เหล่านี้เก่งมากในการนำทางไปยังจุดหมายปลายทางที่ต้องการหลังจากการเดินทางเพียงครั้งเดียว เช่นเดียวกับนักเดินป่าผู้ช่ำชอง พวกเขายังจำสถานที่ที่คุ้นเคยได้ แม้ว่าจะเดินผ่านพืชพรรณหนาทึบตลอดทางก็ตาม

ทีมงานได้พัฒนาอัลกอริธึมตามกระบวนการของสมองในมดระหว่างการนำทางโดยใช้ภาพที่รวบรวมจากหุ่นยนต์โรมมิ่ง เมื่อทำงานบนฮาร์ดแวร์และเลียนแบบการคำนวณของสมอง วิธีการใหม่นี้มีชัยเหนือระบบคอมพิวเตอร์วิทัศน์ที่ล้ำสมัยในงานนำทาง

“สมองของแมลงโดยเฉพาะอย่างยิ่งให้การผสมผสานที่มีประสิทธิภาพระหว่างประสิทธิภาพและประสิทธิผล” ทีมงานกล่าว

การแก้ปัญหาไม่เพียงแต่ช่วยให้หุ่นยนต์ฟาร์มเอาแต่ใจมีเข็มทิศภายในเพื่อช่วยให้พวกเขากลับบ้านเท่านั้น การใช้ประโยชน์จากการคำนวณของสมอง ซึ่งเป็นวิธีการที่เรียกว่าการคำนวณแบบนิวโรมอร์ฟิก สามารถช่วยแยกแยะวิธีที่หุ่นยนต์ เช่น รถยนต์ที่ขับเคลื่อนด้วยตนเอง มีปฏิสัมพันธ์กับโลกของเราได้อย่างไร

ชีวิตของมด

หากคุณเคยเดินไปตามป่าทึบหรือเขาวงกตข้าวโพด คุณอาจถามเพื่อนของคุณว่าเราอยู่ที่ไหน

ต่างจากการเดินไปตามช่วงตึกในเมืองซึ่งมีหน้าร้านและอาคารอื่นๆ เป็นสถานที่สำคัญ การเดินทางในทุ่งเพาะปลูกเป็นเรื่องยากมาก เหตุผลหลักก็คือ เป็นการยากที่จะบอกว่าคุณอยู่ที่ไหนและกำลังหันหน้าไปทางไหน เพราะสภาพแวดล้อมโดยรอบดูคล้ายกันมาก

หุ่นยนต์เผชิญกับความท้าทายแบบเดียวกันในป่า ปัจจุบัน ระบบการมองเห็นใช้กล้องหลายตัวในการจับภาพขณะที่หุ่นยนต์เคลื่อนตัวไปตามภูมิประเทศ แต่พวกมันก็ประสบปัญหาในการระบุฉากเดียวกันหากสภาพแสงหรือสภาพอากาศเปลี่ยนแปลง อัลกอริธึมมีการปรับตัวช้า ทำให้ยากต่อการนำทางหุ่นยนต์อัตโนมัติในสภาพแวดล้อมที่ซับซ้อน

นี่คือจุดที่มดเข้ามา

แม้จะมีทรัพยากรสมองที่ค่อนข้างจำกัดเมื่อเทียบกับมนุษย์ มดก็ยังฉลาดในการเรียนรู้และสำรวจสภาพแวดล้อมใหม่ที่ซับซ้อนอย่างน่าทึ่ง พวกเขาจำเส้นทางก่อนหน้าได้อย่างง่ายดายโดยไม่คำนึงถึงสภาพอากาศ โคลน หรือแสงสว่าง

พวกเขาสามารถติดตามเส้นทางด้วย "ความแม่นยำสูงกว่าที่ GPS จะอนุญาตสำหรับหุ่นยนต์" ทีมงานกล่าว

ข้อดีอย่างหนึ่งของความสามารถในการเดินเรือของมดก็คือ มันไม่จำเป็นต้องรู้แน่ชัดว่ามดอยู่ที่ไหนในระหว่างการนำทาง แต่หากต้องการค้นหาเป้าหมาย สัตว์เพียงต้องรับรู้ว่าสถานที่นั้นคุ้นเคยหรือไม่

เหมือนกับการสำรวจเมืองใหม่จากโรงแรม: คุณไม่จำเป็นต้องรู้ว่าคุณอยู่ที่ไหนบนแผนที่ คุณเพียงแค่ต้องจำเส้นทางไปร้านกาแฟเพื่อรับประทานอาหารเช้าเพื่อที่คุณจะได้เตรียมทางกลับบ้าน

ทีมงานใช้สมองมดเป็นแรงบันดาลใจในการสร้างหุ่นยนต์นิวโรมอร์ฟิกในสามขั้นตอน

อย่างแรกคือซอฟต์แวร์ แม้จะมีสมองเล็ก แต่มดก็เชี่ยวชาญเป็นพิเศษในการปรับแต่งวงจรประสาทเพื่อกลับไปตามเส้นทางที่คุ้นเคย จากการค้นพบครั้งก่อน ทีมงานได้ศึกษาเกี่ยวกับ "ตัวเห็ด" ซึ่งเป็นศูนย์กลางประสาทในสมองมด ฮับเหล่านี้มีความสำคัญอย่างยิ่งต่อการเรียนรู้ข้อมูลภาพจากสภาพแวดล้อม จากนั้นข้อมูลจะแพร่กระจายไปทั่วสมองของมดเพื่อประกอบการตัดสินใจในการนำทาง เช่น เส้นทางนี้ดูคุ้นเคยไหม หรือฉันควรลองเลนอื่น

ถัดมาเป็นกล้องเหตุการณ์ซึ่งจับภาพได้ราวกับดวงตาของสัตว์ ภาพที่ได้จะเป็นประโยชน์อย่างยิ่งในการฝึกการมองเห็นของคอมพิวเตอร์ เนื่องจากภาพเหล่านี้จะเลียนแบบวิธีที่ดวงตาประมวลผลแสงระหว่างการถ่ายภาพ

ส่วนประกอบสุดท้ายคือฮาร์ดแวร์: SpinNakerที่ ชิปคอมพิวเตอร์ สร้างขึ้นเพื่อเลียนแบบการทำงานของสมอง ชิปนี้ได้รับการออกแบบทางวิศวกรรมครั้งแรกที่มหาวิทยาลัยแมนเชสเตอร์ในสหราชอาณาจักร โดยจำลองการทำงานภายในของโครงข่ายประสาทเทียมทางชีวภาพเพื่อเข้ารหัสหน่วยความจำ

เมื่อนำองค์ประกอบทั้งสามมารวมกัน ทีมงานจึงสร้างระบบคล้ายมดขึ้นมา เพื่อเป็นการพิสูจน์แนวคิด พวกเขาใช้ระบบนี้เพื่อขับเคลื่อนหุ่นยนต์เคลื่อนที่ในขณะที่มันเคลื่อนที่ไปในภูมิประเทศที่ยากลำบาก หุ่นยนต์ซึ่งมีขนาดประมาณแฮมเบอร์เกอร์ขนาดใหญ่พิเศษ และตั้งชื่อได้เหมาะเจาะว่าเบอร์เกอร์ Turtlebot3 ได้ถ่ายภาพด้วยกล้องบันทึกเหตุการณ์ขณะที่มันเดินป่า

ขณะที่หุ่นยนต์กลิ้งผ่านพื้นที่ป่า "สมอง" ของระบบประสาทจะรายงาน "เหตุการณ์" อย่างรวดเร็วโดยใช้พิกเซลของสภาพแวดล้อม อัลกอริธึมจะกระตุ้นให้เกิดเหตุการณ์คำเตือน เช่น หากกิ่งไม้หรือใบไม้บดบังการมองเห็นของหุ่นยนต์

หุ่นยนต์ตัวน้อยเดินทางผ่านความสูงประมาณ 20 ฟุตในพืชพรรณที่มีความสูงต่างๆ และเรียนรู้จากการเดินป่าของมัน ทีมงานกล่าวว่าช่วงนี้เป็นช่วงปกติสำหรับมดที่กำลังนำทางไปตามเส้นทางของมัน ในการทดสอบหลายครั้ง โมเดล AI จะแจกแจงข้อมูลจากการเดินทางเพื่อการวิเคราะห์ที่มีประสิทธิภาพมากขึ้น เมื่อทีมเปลี่ยนเส้นทาง AI ก็ตอบสนองด้วยความสับสนว่า เดี๋ยวก่อน แสดงให้เห็นว่าได้เรียนรู้เส้นทางปกติแล้ว

ในทางตรงกันข้าม อัลกอริธึมยอดนิยมพยายามจดจำเส้นทางเดียวกัน ซอฟต์แวร์สามารถติดตามเส้นทางได้ก็ต่อเมื่อเห็นการบันทึกวิดีโอที่เหมือนกันทุกประการ กล่าวอีกนัยหนึ่ง เมื่อเปรียบเทียบกับอัลกอริธึมที่ได้รับแรงบันดาลใจจากมด มันไม่สามารถสรุปได้

สมองหุ่นยนต์ที่มีประสิทธิภาพมากขึ้น

โมเดล AI เป็นที่รู้กันดีว่าต้องใช้พลังงานมาก ระบบนิวโรมอร์ฟิคสามารถลดความตะกละได้

SpiNNaker ซึ่งเป็นฮาร์ดแวร์ที่อยู่เบื้องหลังระบบ วางอัลกอริธึมในการลดพลังงาน ชิปรองรับการประมวลผลแบบขนานขนาดใหญ่โดยอิงตามโครงสร้างโครงข่ายประสาทเทียมของสมอง ซึ่งหมายความว่าการประมวลผลหลายรายการสามารถเกิดขึ้นได้ในเวลาเดียวกัน การตั้งค่านี้ไม่เพียงแต่ลดความล่าช้าในการประมวลผลข้อมูล แต่ยังช่วยเพิ่มประสิทธิภาพอีกด้วย

ในการตั้งค่านี้ ชิปแต่ละตัวมี 18 คอร์ จำลองเซลล์ประสาทประมาณ 250 เซลล์ แต่ละคอร์มีคำสั่งการประมวลผลข้อมูลของตัวเองและจัดเก็บหน่วยความจำตามนั้น การประมวลผลแบบกระจายประเภทนี้มีความสำคัญอย่างยิ่งเมื่อต้องประมวลผลผลตอบรับแบบเรียลไทม์ เช่น การบังคับหุ่นยนต์ในภูมิประเทศที่ยากลำบาก

ในขั้นตอนต่อไป ทีมงานกำลังเจาะลึกเข้าไปในวงจรสมองของมด การสำรวจการเชื่อมต่อของระบบประสาทระหว่างส่วนต่างๆ ของสมองและกลุ่มต่างๆ สามารถเพิ่มประสิทธิภาพของหุ่นยนต์ได้ ในท้ายที่สุด ทีมงานหวังที่จะสร้างหุ่นยนต์ที่มีปฏิสัมพันธ์กับโลกที่มีความซับซ้อนพอๆ กับมด

เครดิตภาพ: ฟาริส โมฮัมเหม็ด / Unsplash 

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://singularityhub.com/2023/10/03/this-ant-inspired-ai-brain-helps-farm-robots-better-navigate-crops/