ساخت ربات با الهام از سیستم ناوبری مورچه‌ها

رباتی را تصور کنید که سعی می‌کند راه خود را از میان یک جنگل انبوه یا زمینی پر از علف‌های بلند بیابد. این ربات نمی‌تواند به نقاط دیدنی آشنا تکیه کند، زیرا ممکن است مناظر تغییر کند و همه چیز یکسان به نظر برسد. بنابراین، دانشمندان با یک چالش مهم روبرو هستند. چگونه به ربات‌ها کمک کنند تا جایی که بوده‌اند را به خاطر بسپارند و مکان‌هایی را که قبلا بازدید کرده‌اند، شناسایی کنند.

دانشمندان یک شبکه عصبی مصنوعی جدید ساخته‌اند که ساختارهای مغز مورچه‌ها را شبیه‌سازی می‌کند و به ربات‌ها کمک می‌کند مسیرها را در محیط‌های طبیعی پیچیده مانند مزارع ذرت شناسایی کنند و به خاطر بسپارند. این رویکرد می‌تواند عملکرد ربات‌های کشاورزی را که نیاز به حرکت در مناظر متراکم و پر از گیاه دارند، بهبود بخشد.

مورچه‌ها به عنوان ناوبر
مورچه‌ها با وجود داشتن سیستم‌های حسی و عصبی نسبتا ساده، به مهارت‌های ناوبری قابل توجهی مجهز هستند. آن‌ها می‌توانند مسیرهایی را در محیط‌های تکراری بصری، مانند جنگل‌ها یا علفزارها، با استفاده از ساختارهای عصبی قارچ‌مانند یا «جسم‌های قارچی» در مغزشان یاد بگیرند و دنبال کنند. این ساختارها به آنها کمک می‌کند تا الگوهای بصری را شناسایی کرده و خاطرات مکانی و زمانی را ذخیره کنند.

لی ژو(Le Zhu) و همکارانش با الهام از این مکانیسم بیولوژیکی، یک دوربین الهام‌گرفته از زیست‌شناسی را روی یک ربات زمینی طراحی کردند تا توالی‌های بصری را در طول مسیرها در محیط‌های طبیعی در فضای باز جمع‌آوری کند. آنها همچنین از یک الگوریتم عصبی برای حافظه مکانی-زمانی استفاده کردند که دقیقا بر اساس شبکه عصبی عضو قارچی حشره است. آنها از محاسبات نورومورفیک که ساختار و عملکرد نورون‌های زیستی را شبیه‌سازی می‌کند، برای کدگذاری حافظه در یک شبکه عصبی در حال اجرا بر روی یک رایانه نورومورفیک کم‌مصرف استفاده کردند.

محققان مدل عصبی الهام گرفته از مورچه را در مسیرهای مختلف در محیط‌های مختلف، مانند چمنزارها، جنگل‌ها و زمین‌های کشاورزی آزمایش کردند. آنها دریافتند که این مدل می‌تواند آشنایی بصری را در لحظه با استفاده از تصاویر دوربین رویداد ارزیابی کند و تشخیص مسیر برای ناوبری بصری را ممکن کند.

محققان می‌گویند که این مدل عصبی الهام گرفته از مورچه می‌تواند برای کاربردهایی مانند رباتیک کشاورزی مفید باشد، جایی که ناوبری بصری در میان پوشش گیاهی متراکم در حال حاضر یک کار چالش برانگیز است. آنها همچنین پیشنهاد می‌کنند که مدل آنها می‌تواند به سایر روش‌های حسی، مانند بویایی یا صدا، گسترش یابد تا درک ربات از محیط را افزایش دهد.نتایج این مطالعه در مجله Science Robotics منتشر شد.