معرفی نویسنده

کریم رحیمیان

دانشجوی ارشد رشته بیوانفورماتیک( دانشگاه تربیت مدرس)

ترکیب حس بینایی و لامسه در ربات‌ها

ترکیب حس بینایی و لامسه در ربات‌ها

دانشمندان پروژه مغز انسان در EBRAINS، یادگیری عمیق الهام گرفته از مغز را به ربات‌های زیست تقلید متصل کردند.

اینکه چطور مغز به ما اجازه می‌دهد تا جهان را درک و پیمایش کنیم، یکی از جذاب‌ترین جنبه‌های شناخت است. هنگام جهت‌‎گیری، ما دائماً اطلاعات مربوط به حواس ششگانه خود را  به روشی ظاهراً بی دردسر ترکیب می‌کنیم،  ویژگی که حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی نیز در صدد تقلید آن هستند.

در زیرساخت‌های تحقیقاتی جدید EBRAINS، دانشمندان علوم مغز و اعصاب شناختی با همکاری مدل‌سازهای محاسباتی و رباتیک در تلاش هستند تا بتوانند مکانیزم عصبی چنین پدیده‌ای (ترکیب حواس) را درک کنند. آنها برای این کار ربات‌هایی را ساخته‌اند که عملکرد داخلی آنها مبتنی بر تقلید از مغز است.

Cyriel Pennartz، استاد علوم اعصاب شناختی در دانشگاه آمستردام می‌گوید: "ما معتقدیم که ربات‌ها می‌توانند با استفاده از دانش مغز بهبود یابند. اما در عین حال‌، می‌توانند به ما در درک بهتر مغز نیز کمک کند."

در پروژه مغز انسان،  Pennartz با کمک مدل‌سازان محاسباتی Shirin Dora, Sander Bohte and Jorge می‌خواهند مدل شبکه عصبی پیچیده‌ای را ایجاد کنند که قادر است، داده‌های حسی واقعی که از یک موش گرفته شده است را درک (پردازش) نماید. نام این مدل Multiprednet است و از سه بخش ورودی دیداری، ورودی لمسی و بخش ترکیب کننده (دیداری و لمسی) تشکیل شده است. به گفته Pennartz  این مدل قادر است که، آنچه را می‌بیند احساس کند و همینطور آنچه را که احساس می‌کند، ببیند. روش آموزش این مدل همانند یادگیری مغز ما انسان‌ها است. در واقع دانشمندان فکر می‌کنند که مغز با تولید مداوم پیش‌بینی‌ها درمورد جهان و مقایسه آن با ورودی‌های حسی و اصلاح شبکه نورونی، فرآیند یادگیری را انجام می‌دهد.

برای آزمایش نحوه عملکرد MultiPrednet در بدن‌، محققان با   Martin Pearsonدر آزمایشگاه رباتیک بریستول همکاری کردند. آنها MultiPrednet را در Whiskeyeکه یک ربات شبیه جوندگان است ادغام کردند، سپس با استفاده از دوربین‌های نصب شده بروی ربات و 24 سبیل مصنوعی که در Whiskeye تعبیه شده بود اقدام به جمع آوری اطلاعات حسی  از محیط کردند.

محققان نشانه‌هایی بدست آوردند که نشان می‌دهد مدل مبتنی بر مغز نسبت به سیستم‌های یادگیری عمیق سنتی برتری دارد. این مسئله زمانی که صحبت از ناوبری (هدایت) و شناخت صحنه‌های آشنا می‌شود نمود بیشتری پیدا می‌کند و نتایج نشان می‌دهد که MultiPredNet عملکرد بهتری دارد.

برای سرعت بخشیدن به این تحقیق، این ربات به عنوان شبیه‌‌سازی در بستر تحقیقاتی Neurorobotics از زیرساخت‌های تحقیقاتی EBRAINS بازآفرینی شده است. Pearson می‌گوید: "این به ما امکان می‌دهد آزمایش‌های طولانی مدت یا حتی موازی را در شرایط کنترل شده انجام دهیم. ما همچنین در نظر داریم از سیستم‌های محاسباتی با عملکرد بالا و نورومورفیک برای مدل‌های بسیار دقیق‌تر کنترل و درک در آینده استفاده کنیم."

مرجع

https://neurosciencenews.com/robot-vision-touch-18773/

 

کلید واژه ها: #شبکه عصبی #مغز #یادگیری عمیق #حس لامسه #کدکول