طور الباحثون نظاما جديدا للملاحة يحاكي الطريقة التي يعالج بها دماغ الحيوان المعلومات، وذلك لتحسين قدرة الروبوتات على التنقل في بيئات مختلفة.

استلهام النظام من دماغ الحيوانات

جميع الحيوانات، سواء كانت كبيرة أم صغيرة، تعتبر من الملاحين الماهرين، فهي تعبر التضاريس المتنوعة بسهولة، من الغابات الكثيفة إلى الصحارى المفتوحة، باحثون من جامعة كوينزلاند للتكنولوجيا (QUT) فكّوا أسرار نظام الملاحة في دماغ الحيوانات لتطوير روبوتات أكثر ذكاءً.

ركز الباحثون بشكل خاص على أدمغة الحشرات والحيوانات لاستخلاص رؤى حول تطوير أنظمة ملاحة روبوتية فعالة في استهلاك الطاقة.

يقول توبياس فيشر من مركز الروبوتات في QUT: "الحيوانات قادرة بشكل مذهل على التنقل في بيئات كبيرة وديناميكية بكفاءة ومرونة مذهلتين."

وأضاف فيشر: "يعد هذا العمل خطوة نحو الهدف الذي يتمثل في تطوير أنظمة ملاحة مستوحاة من البيولوجيا قد تنافس أو تتفوق يومًا ما على الأساليب التقليدية الحالية."

الخوارزميات المتقدمة لدماغ الحيوانات

على الرغم من التطورات التكنولوجية الحديثة، لا يزال أداء الروبوتات ضعيفا في التنقل ضمن بيئات معقدة وحقيقية. بالإضافة إلى ذلك، غالبًا ما تعتمد الروبوتات على أنظمة ذكاء اصطناعي تتطلب الكثير من الطاقة والموارد الحاسوبية لتدريبها.

تتطلب عملية اعتماد الروبوتات في قطاعات متعددة تطوير أنظمة ملاحة متقدمة. استند الفريق في عمله إلى "الشبكات العصبية المتفجرة" (SNNs)، وهي خوارزمية لتحديد الأماكن، تقدم حلا أكثر كفاءة ومرونة لهذه المشاكل.

تقول سُمَية حسيني: "SNNs هي شبكات عصبية صناعية تحاكي كيفية معالجة الدماغ البيولوجي للمعلومات باستخدام إشارات قصيرة ومحددة، تمامًا كما تتواصل الخلايا العصبية في دماغ الحيوانات."

وتضيف حسيني: "تعد هذه الشبكات مثالية للأجهزة العصبية الصورية—أجهزة الحاسوب المتخصصة التي تحاكي الأنظمة العصبية البيولوجية—مما يتيح معالجة أسرع واستهلاكًا أقل للطاقة."

مناسبة لاستكشاف الفضاء

يستفيد النظام الجديد من "وحدات الشبكة العصبية" لتحديد الأماكن استنادًا إلى المدخلات البصرية، تعمل هذه الوحدات معًا كـ "مجموعة"، حيث تتعاون عدة نماذج في اتخاذ القرارات.

يوفر النظام العديد من المزايا بدمج عدة شبكات عصبية متفجرة في مجموعة واحدة. على سبيل المثال، يعزز ذلك قدرة النظام على التعرف على الأماكن في ظل ظروف متنوعة مثل التغيرات في الإضاءة أو الطقس أو وجود الحواجز.

يقول البروفيسور مايكل ميلفورد: "استخدام تسلسل الصور بدلاً من الصور الفردية أدى إلى تحسين دقة التعرف على الأماكن بنسبة 41%، مما سمح للنظام بالتكيف مع التغيرات في المظهر مع مرور الوقت عبر الفصول والظروف الجوية المختلفة."

تم اختبار النظام بنجاح على روبوت منخفض الطاقة، مما أثبت عمليته لتطبيقات موفرة للطاقة.

تحسين كفاءة الطاقة في الروبوتات

من خلال معالجة المعلومات على دفعات قصيرة ومحددة، يمكن لـ SNNs تقليل التكاليف الحاسوبية بشكل كبير. وهذا يجعلها مثالية للروبوتات التي تعمل في بيئات محدودة الطاقة، مثل تلك المستخدمة في استكشاف الفضاء أو عمليات الإغاثة في حالات الكوارث.

وقالت حسيني: "يمكن أن يساعد هذا العمل في تمهيد الطريق لأنظمة ملاحة أكثر كفاءة وموثوقية للروبوتات المستقلة في البيئات المحدودة للطاقة. الفرص المثيرة بشكل خاص تشمل مجالات مثل استكشاف الفضاء وإعادة الإعمار بعد الكوارث، حيث يعد تحسين كفاءة الطاقة وتقليل أوقات الاستجابة أمرا حاسما."