انتظار میرود رباتها در آیندهای نزدیک نقش فزایندهای در انجام خودمختار مأموریتهایی مانند جستوجو و نجات، بازرسی و نگهداری در محیطهای پیچیده، ناشناخته و غیرقابل پیشبینی ایفا کنند؛ محیطهایی که حضور یا مداخله انسان در آنها دشوار، پرهزینه یا حتی غیرممکن است. در چنین شرایطی، اتکا به سامانههای موقعیتیابی جهانی (GPS) به یک محدودیت اساسی تبدیل میشود، زیرا سیگنالهای GPS در فضاهایی مانند غارها، ساختمانهای فروریخته، محیطهای بدون ساختار و سایتهای زیرزمینی یا در دسترس نیستند یا از قابلیت اطمینان کافی برخوردار نمیباشند. پژوهش مورد بحث، با هدف پاسخ به این چالش، یک چارچوب ناوبری الهامگرفته از زیستشناسی را معرفی میکند که بدون نیاز به GPS عمل کرده و موجب افزایش استحکام، بهرهوری انرژی و تحمل خطا در طیف متنوعی از پلتفرمهای رباتیک میشود.
چارچوب سهبخشی الهامگرفته از طبیعت
این چارچوب بر مبنای یک کاستی بنیادین در بسیاری از مطالعات رباتیک زیستالهام شکل گرفته است. اغلب این مطالعات به پیادهسازی یک راهبرد ناوبری منفرد و مجزا از حیوانات بسنده میکنند، مانند یکپارچهسازی مسیر الهامگرفته از مورچهها یا نقشهبرداری شناختی مشابه جوندگان. چنین رویکردی که ماهیتی تقلیلگرایانه دارد، قادر به بازنمایی ویژگی «دژنراسی» در سامانههای زیستی نیست؛ ویژگیای که در آن، سازوکارهای متعدد، ناهمسان اما دارای همپوشانی عملکردی، بهصورت سلسلهمراتبی با یکدیگر ادغام میشوند تا رفتاری پایدار و مقاوم ایجاد کنند.
برای غلبه بر این محدودیت، نویسندگان یک معماری نورومورفیک یکپارچه ارائه میدهند که اصول ناوبری مشاهدهشده در حشرات، پرندگان و جوندگان را ترکیب میکند و بهطور مشخص به مشکلاتی مانند شکنندگی حسی و مصرف بالای انرژی در محیطهای فاقد GPS میپردازد. این سامانه از سه زیرسیستم بههمپیوسته تشکیل شده است. نخست، یک زیرسامانه یکپارچهسازی مسیر الهامگرفته از حشرات که بهصورت یک شبکه عصبی اسپایکینگ بر روی سختافزار نورومورفیک کممصرف پیادهسازی شده و بهعنوان یک شمارنده گام داخلی پایدار برای ردیابی خودمحور حرکت عمل میکند. دوم، ماژول همجوشی چندحسی الهامگرفته از پرندگان که با بهرهگیری از یک فیلتر بیزی، دادههای حاصل از مغناطیسسنج کوانتومی، قطبنمای مبتنی بر پلاریزاسیون نور و حسگرهای بینایی را بهطور پویا ترکیب میکند و حتی در صورت اختلال جزئی برخی حسگرها، جهتیابی قابلاعتماد را حفظ مینماید. سوم، زیرسامانه نقشهبرداری شناختی الهامگرفته از جوندگان که با بهروزرسانی نقشه محیطی تنها هنگام شناسایی نقاط عطف برجسته، حافظه فضایی را شکل داده و عملکرد کممصرف هیپوکامپ را تقلید میکند.
بهبود عملکرد و کاربردهای بالقوه
این معماری از طریق آزمایشهای میدانی گسترده بر روی ۲۳ پلتفرم رباتیک متمایز و در محیطهای چالشبرانگیز دنیای واقعی، از جمله معادن متروکه و جنگلهای انبوه، مورد ارزیابی قرار گرفته است. نتایج نشان میدهد که این چارچوب در مقایسه با روشهای ناوبری متداول مبتنی بر SLAM، منجر به کاهش ۴۱ درصدی رانش موقعیتی، افزایش تا ۶۰ درصدی بهرهوری انرژی و بازیابی ۸۳ درصد سریعتر در مواجهه با خرابی حسگرها شده است. این عملکرد برتر حاصل یک پارادایم سطحسیستمی است که در آن، زیرسامانههای همپوشان قادرند در صورت تضعیف یا از کار افتادن یک مؤلفه، عملکرد آن را جبران کنند. برای نمونه، در شرایطی که دوربین اصلی از کار میافتد، ربات با تکیه بر سایر زیرسامانههای حسی و نقشهبرداری، ظرف چند ثانیه مکانیابی دقیق خود را بازیابی میکند.
فراتر از این بهبودهای عملکردی، نویسندگان استدلال میکنند که این طراحی یک الگوی رسمی برای توسعه رباتهایی با «روانی اکولوژیکی» فراهم میآورد؛ رباتهایی که قادر به عملکرد خودمختار بلندمدت در محیطهایی هستند که GPS و حسگرهای ایدهآل در دسترس نیستند. از جمله کاربردهای بالقوه این چارچوب میتوان به عملیات واکنش به بلایای طبیعی در سازههای فروریخته، مأموریتهای اکتشاف سیارهای و عملیات اعماق دریا اشاره کرد، جایی که قابلیت اطمینان و تحمل خطا از اهمیت حیاتی برخوردار است. پژوهشهای آینده بر ادغام یادگیری مداوم در سطح تراشه، گذار از وزنهای عصبی از پیش پیکربندیشده به سمت انعطافپذیری سیناپسی در سطح سختافزار—احتمالاً با استفاده از سیناپسهای ممریستوری—و همچنین گسترش چارچوب به محیطهای در مقیاس کیلومتر از طریق سازماندهی پیشرفتهتر حافظه متمرکز خواهد بود. هدف نهایی، توسعه رباتهایی است که نهتنها رفتارهای منفرد حیوانی را تقلید میکنند، بلکه به یادگیری پیوسته و مقیاسپذیری ذاتی هوش زیستی نیز نزدیک میشوند.
