Von Ameisen inspiriertes KI-Gehirn verbessert die Navigationsfähigkeiten von Farmrobotern

Stellen Sie sich ein malerisches Maisfeld vor, das im warmen Schein des Sonnenuntergangs badet, mit Maisstängeln, die im Wind schwingen. Inmitten dieser idyllischen ländlichen Szene haben sich Roboter den Reihen der Landarbeiter angeschlossen und helfen bei Aufgaben wie der Ernte von Früchten und der Bewirtschaftung von Nutzpflanzen. Da die landwirtschaftliche Branche mit Arbeitskräftemangel konfrontiert ist, versprechen diese Roboter, die Ernteerträge zu steigern, frische Produkte auf unsere Tische zu bringen und Verschwendung zu reduzieren. Allerdings gibt es eine erhebliche Herausforderung: Roboter haben Schwierigkeiten, sich in komplexen und unbekannten Ackerflächen zurechtzufinden, und verirren sich oft. Forscher der University of Edinburgh, angeführt von Dr. Barbara Webb, haben sich von Ameisen inspirieren lassen, um dieses Problem anzugehen und die Navigationsfähigkeiten von Robotern zu verbessern. Durch die Nutzung neuromorpher Computing-Einblicke aus der Ameisennavigation haben sie eine bahnbrechende Lösung entwickelt, die nicht nur die Landwirtschaft, sondern auch andere Bereiche der Robotik und künstlichen Intelligenz revolutionieren könnte.

Ameisen: Die Navigations-Experten der Natur

Die Navigation durch ein Getreidefeld ist vergleichbar mit dem Finden des Weges durch einen dichten Wald oder ein Maislabyrinth; alles sieht gleich aus, was es schwierig macht, den eigenen Standort und die Richtung zu bestimmen. Roboter stehen in natürlichen Umgebungen vor einem ähnlichen Problem, wo sich ändernde Licht- und Wetterbedingungen ihre visionbasierten Systeme verwirren können. Aktuelle Algorithmen haben Schwierigkeiten, sich schnell anzupassen, was den Fortschritt autonomer Roboter in komplexen Umgebungen behindert.

Trotz ihrer im Vergleich zum menschlichen Gehirn relativ kleinen Gehirne sind Ameisen hervorragend darin, in komplexen Umgebungen zu lernen und zu navigieren. Sie können frühere Routen unabhängig von widrigen Bedingungen speichern und übertreffen sogar GPS in Bezug auf Präzision. Der Schlüssel zu ihrem Erfolg liegt in ihrer Fähigkeit, vertraute Orte zu erkennen, anstatt ihren genauen Standort während der Navigation zu pinpointen.

Inspiration aus Ameisengehirnen

Die Forschungsgruppe hat sich von Ameisengehirnen inspirieren lassen und unternahm eine dreistufige Reise, um die Roboternavigation zu verbessern.

Software: Ameisen feintunen ihre neuronalen Schaltkreise in Pilzkörpern, spezialisierten neuronalen Zentren, die für das Lernen visueller Informationen entscheidend sind. Das Team konzentrierte sich auf diese Zentren, um seinen Algorithmus zu entwickeln, der nachahmt, wie Ameisen visuelle Informationen für Navigationsentscheidungen verarbeiten.

Event-Kameras: Event-Kameras erfassen Bilder auf eine Weise, die das Auge eines Tieres imitiert, was sie ideal für das Training von Computer-Vision-Systemen macht. Diese Kameras verarbeiten Licht ähnlich wie das menschliche Auge bei der Fotografie, was beim Training von Vision-Algorithmen hilft.

Hardware: Der SpiNNaker-Chip, der ursprünglich an der University of Manchester entwickelt wurde, simuliert die inneren workings biologischer neuronaler Netzwerke, um Gedächtnis zu kodieren. Dieser Chip unterstützt massiv paralleles Computing, wodurch mehrere Berechnungen gleichzeitig stattfinden und die Datenverarbeitungsverzögerung drastisch reduziert wird.

Alles zusammenfügen: Der ammenähnliche Roboter

Durch die Kombination dieser Komponenten schuf das Forschungsteam ein ammenähnliches robotisches System. Sie testeten es mit einem mobilen Roboter namens „Turtlebot3 Burger“, der sich durch anspruchsvolles Gelände bewegte und dabei Bilder mit einer Event-Kamera aufnahm.

Während seiner Reise durch bewaldetes Land verarbeitete das neuromorphe „Gehirn“ des Roboters schnell „Events“ basierend auf seiner Umgebung. Der Algorithmus löste ein Warn-Event aus, wenn Hindernisse wie Äste oder Blätter die Sicht des Roboters blockierten. Der Roboter legte etwa 20 Fuß durch unterschiedliche Vegetationshöhen zurück und lernte aus jeder Reise. In mehreren Tests analysierte das KI-Modell die Daten von verschiedenen Routen effektiv und reagierte mit Vertrautheit, was seine Fähigkeit zur Generalisierung und Anpassung zeigte.

Im Gegensatz dazu hatte ein beliebter Algorithmus Schwierigkeiten, dieselbe Route ohne identische Videoaufnahme zu erkennen, was die Überlegenheit des von Ameisen inspirierten Algorithmus bei der Anpassung an sich ändernde Umgebungen hervorhob.

Effizienz und Energieeinsparungen durch neuromorphes Computing

Eine große Herausforderung bei KI-Modellen ist ihr Energieverbrauch. Neuromorphe Systeme wie SpiNNaker bieten eine Lösung, indem sie den Energieverbrauch erheblich reduzieren. Die Architektur von SpiNNaker, die neuronale Netzwerke im Gehirn nachahmt, unterstützt verteiltes Computing mit 18 Kernen pro Chip und simuliert etwa 250 Neuronen. Jeder Kern verarbeitet Daten unabhängig und speichert Gedächtnis, was die Datenverarbeitungsverzögerung reduziert und die Effizienz erhöht, insbesondere für Echtzeitaufgaben wie die Navigation von Robotern durch anspruchsvolles Gelände.

Zukünftige Richtungen und ammenähnliche Komplexität

Die nächsten Schritte des Forschungsteams bestehen darin, tiefer in die komplexen neuronalen Schaltkreise von Ameisen einzutauchen. Die Erforschung von Verbindungen zwischen verschiedenen Gehirnregionen und Gruppen könnte die Effizienz von Robotern und ihre Fähigkeit zur Interaktion mit der Welt weiter verbessern. Ihr ultimatives Ziel ist es, Roboter zu schaffen, die sich so geschickt wie Ameisen in der Welt navigieren und mit ihr interagieren.

Durch die Integration der Navigations-Experten der Natur, der Ameisen, in die Welt der Robotik, haben Forscher der University of Edinburgh bedeutende Fortschritte bei der Verbesserung der Navigationsfähigkeiten von Robotern erzielt. Durch die Nutzung neuromorpher Computing-Einblicke aus der Ameisennavigation haben sie einen Algorithmus entwickelt, der traditionelle Vision-Systeme übertrifft und Robotern die Fähigkeit verleiht, sich an komplexe und sich ändernde Umgebungen anzupassen. Dieser Durchbruch verspricht nicht nur, die Landwirtschaft durch die Bewältigung von Arbeitskräftemangel zu revolutionieren, sondern ebnet auch den Weg für effizientere und anspruchsvollere Roboter in verschiedenen Bereichen, von selbstfahrenden Autos bis darüber hinaus. Da die Technologie weiterhin Inspiration aus der natürlichen Welt zieht, sieht die Zukunft der Robotik zunehmend vielversprechend aus.