Forskere brugte neuromorfisk databehandling til at holde robotter i gang med at lære nye objekter, efter de blev indsat. For dem, der ikke ved det, replikerer neuromorfisk databehandling den neurale struktur i den menneskelige hjerne for at skabe algoritmer, der kan håndtere usikkerheden i den naturlige verden. Intel Labs har udviklet en af de mest bemærkelsesværdige arkitekturer på området: Loihi neuromorfe chip.
Loihi består af cirka 130 kunstige neuroner, der sender information til hinanden via et "spiking" neuralt netværk (SNN). Chipsene har allerede drevet en række systemer, fra smart kunstig hud til en elektronisk "næse", der registrerer lugten af sprængstoffer.
Intel Labs afslørede endnu et program i denne uge. Forskningsenheden gik sammen med det italienske teknologiske institut og det tekniske universitet i München for at implementere Loihi i en ny tilgang til livslang læring i robotteknologi. Metoden er rettet mod systemer, der interagerer med ubegrænsede miljøer, såsom fremtidige robotassistenter til sundhedsvæsen og produktion.
Eksisterende dybe neurale netværk kan kæmpe med objekter i disse scenarier, da de kræver store veltrænede træningsdata og omfattende genoptræning af nye objekter, de støder på. En ny neuromorf tilgang har til formål at overvinde disse begrænsninger.
Forskerne anvendte SNN til Loihi for første gang. Denne arkitektur lokaliserer læring til et enkelt lag plastiksynapser. Det tager også højde for forskellige typer objekter og tilføjer nye neuroner efter behov. Som et resultat udfolder læringsprocessen sig autonomt, når den interagerer med brugeren.
Holdet testede deres tilgang i et simuleret 3D-miljø. I denne opsætning sanser robotten aktivt objekter ved at flytte et kamera, der fungerer som øjne. Kamerasensoren "ser" objekter på en måde inspireret af små fikserende øjenbevægelser kaldet "mikrosaccades". Hvis objektet, det ser, er nyt, læres eller opdateres SNN-repræsentationen. Hvis objektet er kendt, genkender netværket det og giver feedback til brugeren.
Holdet siger, at deres metode kræver 175 gange mindre strøm for at give lignende eller bedre hastighed og nøjagtighed end konventionelle CPU-baserede metoder. Nu skal de teste deres algoritme i den virkelige verden med rigtige robotter.
"Vores mål er at anvende lignende evner til fremtidige robotter, der vil arbejde i et interaktivt miljø, som vil give dem mulighed for at tilpasse sig uforudsete omstændigheder og arbejde mere naturligt sammen med mennesker," sagde seniorforfatteren til undersøgelsen Yuliya Sandamyrska.
Du kan hjælpe Ukraine med at kæmpe mod de russiske angribere, den bedste måde at gøre dette på er at donere midler til Ukraines væbnede styrker gennem Red livet eller via den officielle side NBU.
Også interessant:
- Googles robotter bliver mere og mere menneskelignende og udfører komplekse opgaver
- Det nye materiale vil give robotter mulighed for at føle berøring