A navegação robótica inovadora inspirada na função cerebral aumenta a eficiência e a precisão

Uma equipe de pesquisa da QUT se inspirou nos cérebros de insetos e animais para uma navegação robótica mais eficiente em termos energéticos.

Liderada pelo pesquisador de pós-doutorado Somayeh Hussaini, ao lado do professor Michael Milford e do Dr. Tobias Fischer do QUT Center for Robotics, a pesquisa, que foi publicada em Transações IEEE em Robóticapropõe um novo algoritmo de reconhecimento de local usando Spiking Neural Networks (SNNs).

“SNNs são redes neurais artificiais que imitam como os cérebros biológicos processam informações usando sinais breves e discretos, muito parecidos com a forma como os neurônios nos cérebros dos animais se comunicam”, disse Hussaini.

“Essas redes são particularmente adequadas para hardware neuromórfico – hardware de computador especializado que imita sistemas neurais biológicos – permitindo processamento mais rápido e consumo de energia significativamente reduzido.”

Embora a robótica tenha testemunhado um rápido progresso nos últimos anos, os robôs modernos ainda lutam para navegar e operar em ambientes complexos e desconhecidos. Eles também dependem frequentemente de sistemas de navegação derivados de IA, cujos regimes de treinamento têm requisitos computacionais e energéticos significativos.

“Os animais são notavelmente hábeis em navegar em ambientes grandes e dinâmicos com incrível eficiência e robustez”, disse o Dr. Fischer.

“Este trabalho é um passo em direção ao objetivo de sistemas de navegação de inspiração biológica que poderão um dia competir ou até mesmo superar as abordagens mais convencionais de hoje.”

O sistema desenvolvido pela equipe QUT utiliza pequenos módulos de rede neural para reconhecer locais específicos a partir de imagens. Esses módulos foram combinados em um conjunto, um grupo de múltiplas redes de spiking, para criar um sistema de navegação escalável capaz de aprender a navegar em grandes ambientes.

“O uso de sequências de imagens em vez de imagens únicas permitiu uma melhoria de 41% na precisão do reconhecimento de locais, permitindo que o sistema se adaptasse às mudanças de aparência ao longo do tempo e em diferentes estações e condições climáticas”, disse o professor Milford.

O sistema foi demonstrado com sucesso num robô com recursos limitados, fornecendo uma prova de conceito de que a abordagem é prática em cenários do mundo real onde a eficiência energética é crítica.

“Este trabalho pode ajudar a preparar o caminho para sistemas de navegação mais eficientes e confiáveis ​​para robôs autônomos em ambientes com restrição de energia. Oportunidades particularmente interessantes incluem domínios como exploração espacial e recuperação de desastres, onde otimizar a eficiência energética e reduzir os tempos de resposta são críticos”, disse Hussaini. .