Suomessa tiede- ja teknologiainstituutin tutkijaryhmä paransi merkittävästi autonomisten robottien suorituskykyä ottamalla niihin käyttöön ihmisen käyttäytymisestä inspiraationsa saaneen ”unohtamisen toiminnon”. Tämän seurauksena niiden suorituskyky parani 18 % ja keskimääräinen matka-aika lyheni 30 %.
Sisällysluettelo
Robottien tehokkuuden parantamiseksi riitti ihmisen mekanismin jäljitteleminen. Suomalaiset tutkijat tiede- ja teknologiainstituutista kehittivät lähestymistavan nimeltä ”Fyysinen tekoäly”, joka perustuu siihen, miten ihmiset vaihtavat tietoa ja käyttävät sitä ryhmissä.
Todellisessa elämässä jokaisella on oma osuutensa tiedosta, ja juuri sen yhdistämisen ansiosta ryhmä voi toimia tehokkaammin. Innoittuneina tästä kollektiivisesta toiminnasta tutkijat sovelsivat tätä periaatetta autonomisiin mobiilirobotteihin (AMR). Näin he onnistuivat yhdistämään kaksi meille luonnollista prosessia: vain hyödyllisen tiedon levittämisen ja sen unohtamisen, mikä ei ole enää ajankohtaista. Tulos on hyvin osoittava: tuottavuus kasvaa 18 % ja keskimääräinen matka-aika lyhenee 30 %.
Ihmisistä inspiraationsa saanut tekoäly, hyvässä tai pahassa
Varastossa jokaisen robotin on analysoitava ympäristöään antureiden avulla ja jaettava sitten nämä tiedot muiden kanssa. Ongelmana on, että kaiken tämän tiedon nopea siirto aiheuttaa ylikuormitusta, ikään kuin jokainen robotti analysoisi jatkuvasti jokaista pienintäkin yksityiskohtaa.
DGIST:n innovaatio on opettaa koneille välittämään vain todella hyödyllistä tietoa. Esimerkiksi viesti ”Käytävä B on tukittu” on syytä välittää, mutta ”Käännyn hieman vasemmalle” ei. Tutkijat ovat mallinneet matemaattisesti luonnollisen taipumuksemme ilmoittaa tärkeistä asioista ja unohtaa nopeasti tarpeettomat asiat. Konkreettisesti sanottuna korostamme sitä, mikä on tarpeen ryhmän koordinoimiseksi, ja jätämme sitten sivuun sen, mikä ei ole enää tärkeää. Tällä tavoin jokainen robotti havaitsee joka kerta, että sen on käännyttävä vasemmalle, sen sijaan että se oppisi tekemään käännöksen omassa toimintaketjussaan.
Miksi oppia unohtamaan?
Autonomisilla roboteilla on vielä yksi haittapuoli: kun ne kiertävät esteen, esimerkiksi trukin, ne muistavat tämän kiertotien. Jopa sen jälkeen, kun este on kadonnut, ne jatkavat sen välttämistä tarpeettomasti. Uusi lähestymistapa opettaa niitä unohtamaan kadonneen esteen, mikä antaa niiden palata tehokkaasti alkuperäiselle reitille, huomauttaa The Chosun Daily . Lyhyesti sanottuna, ryhmä säilyttää sen, mikä edistää koordinoituja toimia, ja ”unohtaa” sen, mikä ei ole enää tärkeää.
Nämä tulokset saavutettiin Gazebo-mallinnusalustan avulla, joka jäljittelee uskollisesti logistiikkavaraston monimutkaisuutta. Toinen etu alalle: menetelmä ei vaadi kalliita antureita (riittää yksinkertainen kaksiulotteinen lidar) ja se integroituu suoraan ROS 2:een, ohjelmistoarkkitehtuuriin, jota jo käytetään robotiikassa.
Vaikka testit todellisissa olosuhteissa eivät ole vielä vahvistettuja, sovellusalueet ovat lupaavia: logistiikka, autonomiset ajoneuvot, tiedustelu ja pelastusoperaatiot. Tämä bioteknologiaan perustuva tekoäly, joka yhdistää valikoivan tiedon jakamisen, kollektiivisen oppimisen ja unohtamisen, voi olla todella arvokas työkalu kaikkialla, missä tarvitaan robottien vuorovaikutusta.
