پهپادهای آینده با حافظهای به حجم ۱ استیکر واتساپ پرواز میکنند!
زنبورهای عسل، الهامبخش یک سامانه ناوبری فوقالعاده کارآمد برای ساخت پهپادها شدند.
زنبورهای عسل به طور معمول برای یافتن غذا تا حدود سه کیلومتر از کندوی خود دور میشوند و سپس با دقتی شگفتانگیز به خانه بازمیگردند. اگر اندازه بدن آنها را در نظر بگیریم، این کار معادل آن است که یک انسان صدها کیلومتر سفر کند و بدون نقشه، قطبنما، جیپیاس یا تلفن همراه راه بازگشت خود را پیدا کند.
به نقل از نیواطلس، با وجود اینکه مغز زنبور عسل از یک دانه کنجد هم کوچکتر است، این حشره چنین مأموریتی را با بهرهوری فوقالعاده انجام میدهد. اکنون پژوهشگران همین اصول زیستی را به یک سامانه ناوبری برای پهپادها تبدیل کردهاند؛ سیستمی که میتواند رباتهای پرنده سبکوزن را تنها با ۴۲ کیلوبایت حافظه به نقطه شروع بازگرداند.
این سامانه که «Bee-Nav» نام دارد، توسط گروهی از پژوهشگران در هلند توسعه یافته است. «بی-ناو» به پهپادها اجازه میدهد بدون استفاده از جیپیاس یا سامانههای نقشهبرداری سنگین و پردازشمحور، بهطور خودکار مسیر خود را پیدا کرده و به خانه بازگردند.
پژوهشگران این فناوری را در محیطهای داخلی و خارجی آزمایش کردند؛ از جمله در یک پرواز بیش از ۶۰۰ متری. نکته قابل توجه این بود که سامانه از شبکههای عصبی استفاده میکند که هزاران بار کوچکتر از شبکههای مورد استفاده در سامانههای هوش مصنوعی مدرن هستند.
این پژوهش که در مجله نیچر منتشر شده، یکی از اساسیترین چالشهای رباتیک یعنی «ناوبری» را هدف قرار داده است. فرقی نمیکند یک ربات مأمور بازرسی زیرساختهای صنعتی باشد، بسته تحویل دهد، محصولات کشاورزی را پایش کند یا در مناطق آسیبدیده از بلایای طبیعی جستوجو انجام دهد؛ در هر صورت باید بداند کجاست و چگونه به مقصد برسد.
پهپادهای خودران امروزی معمولا به جیپیاس و نقشههای دقیق محیط متکی هستند. روش رایج دیگر، «مکانیابی و نقشهبرداری همزمان» یا SLAM است که به طور پیوسته یک مدل سهبعدی از محیط ایجاد و بهروزرسانی میکند و همزمان موقعیت ربات را در آن مشخص میسازد.
اگرچه این روشها بسیار مؤثر هستند، اما به توان پردازشی، حافظه و انرژی زیادی نیاز دارند؛ منابعی که کوچک سازی آنها برای پهپادهای سبک وزن دشوار است، زیرا در چنین سامانههایی هر گرم وزن و هر میلیوات انرژی اهمیت دارد. به نظر میرسد زنبورهای عسل راهحلی بسیار کارآمدتر پیدا کردهاند.
راز آنها در چیست؟
پاسخ در فرایندی به نام «اودومتری» (Odometry) نهفته است؛ روشی که حرکت را بر اساس نشانههای حرکتی جمعآوری شده در طول پرواز تخمین میزند.
به زبان ساده، زنبور تقریبا محاسبه میکند که چه مسافتی را طی کرده و در چه جهتی حرکت کرده است. این وضعیت شبیه فردی است که در یک اتاق تاریک راه میرود و ذهنی تعداد قدمهایش را میشمارد. اما این روش یک مشکل دارد: خطاها به تدریج روی هم انباشته میشوند و در نهایت مسیر را منحرف میکنند؛ درست مانند قطبنمایی که آرامآرام از جهت واقعی منحرف شود.
برای جبران این مشکل، زنبورها از حافظه بصری نیز استفاده میکنند. آنها پیش از آغاز سفرهای طولانی، پروازهای کوتاه آموزشی اطراف کندو انجام میدهند و نشانههای محیطی و مناظر اطراف را با دقت مشاهده میکنند؛ چیزی شبیه «آشنایی با محله». این خاطرات بصری بعدها به آنها کمک میکند تا راه بازگشت را پیدا کنند. سامانه بی-ناو تلاش میکند همین راهبرد را شبیهسازی کند.
مانند یک زنبور عسل که برای نخستین بار کندو را ترک میکند، پهپاد ابتدا یک پرواز آموزشی کوتاه در اطراف پایگاه خود انجام میدهد. در این مرحله، تصاویر پانورامایی از محیط اطراف ثبت میشود. سپس این تصاویر توسط یک شبکه عصبی کوچک پردازش میشوند که برای تخمین جهت و فاصله تا نقطه شروع آموزش دیده است.
برخلاف سامانههای ناوبری معمول، بی-ناو به دادههای دقیق مکانی نیاز ندارد. این سامانه با استفاده از تخمینهای اودومتری آموزش میبیند؛ تخمینهایی که خودشان نیز دارای خطا و انحراف هستند. به گفته پژوهشگران، یکی از پرسشهای اصلی این بود که آیا این خطاها مانع یادگیری نشانههای بصری مفید خواهند شد یا خیر. نتیجه شگفتانگیز بود: خیر.
در یکی از آزمایشهای داخل ساختمان، گروه پژوهشی توانست با استفاده از یک شبکه عصبی که تنها ۳.۴ کیلوبایت حافظه اشغال میکرد، پهپاد را با موفقیت به خانه بازگرداند.
پهپاد با تحلیل تصاویر پانورامایی محیط، تخمین میزد که باید در چه جهتی حرکت کند و چه فاصلهای تا مقصد باقی مانده است. برآورد فاصله به پهپاد کمک میکرد رفتار خود را تنظیم کند؛ زمانی که دورتر بود سریعتر حرکت میکرد و هنگام نزدیک شدن به مقصد سرعتش را کاهش میداد.
سپس پژوهشگران این سامانه را در محیطهای بزرگتر داخلی و خارجی آزمایش کردند.
در آزمایشهایی که در مرکز پژوهشی پهپادهای هلند انجام شد، پهپاد بیش از ۶۰۰ متر پرواز کرد و سپس با موفقیت به محل شروع بازگشت. در این آزمایش، شبکه عصبی مورد استفاده تنها ۴۲ کیلوبایت حافظه نیاز داشت؛ تقریبا به اندازه یک استیکر واتساپ! در محیطهای سرپوشیده بزرگ مانند آشیانههای هواپیما، سامانه در تمام آزمایشها موفق عمل کرد. اما شرایط بیرونی چالشبرانگیزتر بود. بهویژه در هوای بادخیز، میزان موفقیت به حدود ۷۰ درصد کاهش یافت. پژوهشگران دریافتند که باد باعث کج شدن پهپاد میشود و در نتیجه نمایی که از محیط اطراف میبیند تغییر میکند؛ مسئلهای که تشخیص بصری را دشوارتر میسازد.
افزایش مقاومت سامانه در برابر چنین شرایط واقعی، یکی از مهمترین زمینههای پژوهشی آینده خواهد بود. یکی از امیدبخشترین کاربردهای این فناوری، پایش کشاورزی است. پهپادهای سبکوزن مجهز به بی-ناو میتوانند به طور خودکار در گلخانهها حرکت کنند و بیماریها، آفات یا سایر مشکلات محصولات را پیش از گسترش شناسایی کنند.
از آنجا که این سامانه به توان پردازشی و حافظه بسیار کمی نیاز دارد، امکان ساخت پهپادهای بسیار کوچکتر و ایمنتر را فراهم میکند؛ پهپادهایی که بدون نیاز به رایانههای سنگین در کنار کارگران فعالیت خواهند کرد. فراتر از کشاورزی، این فناوری میتواند در رباتهای انبارداری، پایش محیط زیست، بازرسی صنعتی و حتی ناوگانهای بزرگ پهپادی نیز مورد استفاده قرار گیرد.
این رویکرد به ویژه در مکانهایی جذاب خواهد بود که سیگنالهای جیپیاس در دسترس نیستند یا قابل اعتماد نیستند و همچنین در شرایطی که محدودیت وزن و مصرف انرژی اهمیت بالایی دارد. این پژوهش شاید به درک بهتر خود زنبورها نیز کمک کند.
دانشمندان دهههاست که ناوبری زنبورهای عسل را مطالعه میکنند، اما بازسازی موفق راهبرد بازگشت به خانه آنها در ماشینها میتواند نشان دهد چگونه موجوداتی با مغزی کوچکتر از یک دانه برنج، بهطور روزمره کارهایی انجام میدهند که هنوز هم برای پیشرفتهترین رباتهای امروزی چالشبرانگیز است.
نظر شما