Исследовательская группа Квинслендского технологического университета черпала вдохновение в мозге насекомых и животных для создания более энергоэффективной роботизированной навигации.

Исследование, проведенное под руководством научного сотрудника-постдокторанта Сомайе Хуссаини совместно с профессором Майклом Милфордом и доктором Тобиасом Фишером из Центра робототехники Квинслендского технологического университета, было опубликовано в журнале IEEE Transactions on Robotics . В нем предлагается новый алгоритм распознавания мест с использованием импульсных нейронных сетей (SNN).

«SNN — это искусственные нейронные сети , которые имитируют обработку информации биологическим мозгом с помощью кратких дискретных сигналов, подобно тому, как общаются нейроны в мозге животных», — сказал Хуссаини.

«Эти сети особенно хорошо подходят для нейроморфного оборудования — специализированного компьютерного оборудования, имитирующего биологические нейронные системы, — что обеспечивает более быструю обработку и значительное снижение энергопотребления».

Хотя робототехника в последние годы переживает стремительный прогресс, современные роботы все еще испытывают трудности с навигацией и работой в сложных, неизвестных условиях. Они также часто полагаются на навигационные системы на основе ИИ, чьи режимы обучения имеют значительные вычислительные и энергетические требования.

«Животные удивительно искусны в навигации в больших, динамичных средах с удивительной эффективностью и выносливостью», — сказал доктор Фишер.

«Эта работа — шаг к цели создания биологически вдохновленных навигационных систем, которые однажды смогут конкурировать с сегодняшними традиционными подходами или даже превзойти их».

Система, разработанная командой QUT, использует небольшие модули нейронной сети для распознавания определенных мест на изображениях. Эти модули были объединены в ансамбль, группу из нескольких сетей с пиками, для создания масштабируемой навигационной системы, способной обучаться навигации в больших средах.

«Использование последовательностей изображений вместо отдельных изображений позволило повысить точность распознавания мест на 41%, что позволило системе адаптироваться к изменениям внешнего вида с течением времени, а также в зависимости от времени года и погодных условий », — сказал профессор Милфорд.

Система была успешно продемонстрирована на роботе с ограниченными ресурсами, что стало доказательством того, что данный подход применим в реальных сценариях, где энергоэффективность имеет решающее значение.

«Эта работа может помочь проложить путь к более эффективным и надежным системам навигации для автономных роботов в условиях ограниченного энергоснабжения. Особенно захватывающие возможности включают такие области, как исследование космоса и восстановление после стихийных бедствий, где оптимизация энергоэффективности и сокращение времени реагирования имеют решающее значение», — сказал Хуссаини.