A tudósok neuromorf számítástechnikát alkalmaztak annak érdekében, hogy a robotok megtanulják az új objektumokat a telepítés után. A nem tudók számára a neuromorf számítástechnika lemásolja az emberi agy idegi szerkezetét, hogy olyan algoritmusokat hozzon létre, amelyek képesek kezelni a természeti világ bizonytalanságait. Az Intel Labs kifejlesztette a terület egyik legfigyelemreméltóbb architektúráját: a Loihi neuromorf chipet.
A Loihi hozzávetőleg 130 XNUMX mesterséges neuronból áll, amelyek egy „spiking” neurális hálózaton (SNN) keresztül küldenek információkat egymásnak. A chipek már számos rendszert működtettek, az intelligens műbőrtől a robbanóanyagok szagát észlelő elektronikus "orrig".
Az Intel Labs a héten újabb programot mutatott be. A kutatóegység az Olasz Műszaki Intézettel és a Müncheni Műszaki Egyetemmel együttműködve a Loihit az élethosszig tartó tanulás új megközelítésében valósította meg a robotikában. A módszer olyan rendszereket céloz meg, amelyek kölcsönhatásba lépnek a határtalan környezetekkel, például a jövőbeni robotasszisztensekkel az egészségügyben és a gyártásban.
A meglévő mély neurális hálózatok megküzdhetnek az objektumokkal ezekben a forgatókönyvekben, mivel nagy, jól képzett betanítási adatot és kiterjedt átképzést igényelnek az új objektumokon, amelyekkel találkoznak. Egy új neuromorf megközelítés célja ezen korlátok leküzdése.
A kutatók először alkalmazták az SNN-t Loihiban. Ez az architektúra a tanulást a műanyag szinapszisok egyetlen rétegére lokalizálja. Különböző típusú objektumokat is figyelembe vesz, és igény szerint új neuronokat ad hozzá. Ennek eredményeként a tanulási folyamat autonóm módon bontakozik ki a felhasználóval való interakció során.
A csapat szimulált 3D-s környezetben tesztelte megközelítésüket. Ebben a beállításban a robot aktívan érzékeli a tárgyakat egy szemként működő kamera mozgatásával. A kamera szenzora "látja" a tárgyakat a kis fixáló szemmozgások, az úgynevezett "mikroszakkádok" által inspirált módon. Ha a látott objektum új, az SNN-reprezentáció megtanulása vagy frissítése megtörténik. Ha az objektum ismert, a hálózat felismeri és visszajelzést ad a felhasználónak.
A csapat szerint módszerük 175-ször kevesebb energiát igényel, hogy hasonló vagy jobb sebességet és pontosságot biztosítson, mint a hagyományos CPU-alapú módszerek. Most a való világban kell tesztelniük az algoritmusukat valódi robotokkal.
"Célunk, hogy hasonló képességeket alkalmazzunk a jövőbeli robotokra, amelyek interaktív környezetben fognak működni, ami lehetővé teszi számukra, hogy alkalmazkodjanak az előre nem látható körülményekhez, és természetesebben dolgozzanak együtt az emberekkel" - mondta a tanulmány vezető szerzője, Yuliya Sandamyrska.
Segíthet Ukrajnának az orosz megszállók elleni küzdelemben, ennek legjobb módja, ha adományokat adományoz az ukrán fegyveres erőknek Savelife vagy a hivatalos oldalon keresztül NBU.
Szintén érdekes:
- A Google robotjai egyre inkább emberszerűek és összetett feladatokat látnak el
- Az új anyag lehetővé teszi, hogy a robotok érezzék az érintést