Forskere har utviklet en automatisert måte å utvikle tilpasset utstyr som setter fart på robotens arbeid. Et system som heter robotomorfe beregninger, tar hensyn til den fysiske strukturen til roboten, og tilbyr en optimert maskinvarearkitektur.
Moderne roboter kan bevege seg raskt. "Motorer er raske og kraftige," sier Sabrina Neumann, en ledende forsker ved Massachusetts Institute of Technology. Men i komplekse situasjoner, som når de samhandler med mennesker, er roboter ofte trege. «Henging er det som skjer i hodet til en robot. Å oppfatte stimuli og beregne en respons krever "mye beregning", som begrenser reaksjonstiden, legger hun til.
Neumann fant en måte å håndtere denne uoverensstemmelsen mellom robotens «sinn» og kropp. Denne metoden, kalt robotomorphic computing, bruker robotens fysiske design og tiltenkte applikasjoner for å lage en spesialisert databrikke som minimerer robotens responstid.
Ifølge Neuman er det tre hovedstadier i arbeidet til en robot. Den første er persepsjon, som innebærer å samle inn data ved hjelp av sensorer eller kameraer. Det andre er refleksjon og lokalisering: «Basert på det de har sett, må de bygge et kart over verden rundt seg og deretter lokalisere seg på det kartet», sier Neumann. Det tredje trinnet er planlegging og kontroll av bevegelse, med andre ord å bygge en handlingsplan.
Disse trinnene kan kreve tid og enorm datakraft. "For at roboter skal kunne utplasseres i felt og operere trygt i dynamiske miljøer rundt mennesker, må de være i stand til å tenke og reagere veldig raskt," sier Brian Plancher, medforfatter av studien.
Neumann legger til at forskere studerer bedre algoritmer, men hun mener at programvareforbedringer alene ikke er svaret. "Det som er relativt nytt her er ideen om at du også kan lære mer avansert utstyr." Dette betyr å gå utover standard prosessorbrikke som inkluderer robotens hjerne, ved å bruke maskinvareakselerasjon. Maskinvareakselerasjon refererer til bruken av en spesialisert maskinvareenhet for å utføre visse databehandlingsoppgaver mer effektivt.
Plancher ser et bredt spekter av applikasjoner for robotomorf databehandling. "Ideelt sett kan vi etter hvert produsere en individuell bevegelsesplanleggingsbrikke for hver robot som lar dem raskt beregne sikre og effektive bevegelseskombinasjoner," sier han. "Jeg ville ikke bli overrasket om hver robot om 20 år har noen få spesialiserte databrikker, og dette kan være en av dem." Neumann legger til at robomorf databehandling kan avlaste mennesker for risiko i en rekke settinger, for eksempel å ta vare på pasienter med COVID-19 eller manipulere tunge gjenstander.
Les også: