뇌 기능에서 영감을 받은 혁신적인 로봇 탐색 기술로 효율성과 정확성 향상

QUT 연구팀은 더욱 에너지 효율적인 로봇 탐색을 위해 곤충과 동물의 뇌에서 영감을 얻었습니다.

박사후 연구원인 소마예 후사이니와 QUT 로봇 센터의 마이클 밀포드 교수, 토비아스 피셔 박사가 주도한 이 연구는 IEEE Transactions on Robotics 저널에 게재되었으며 , 칩 제조업체인 인텔의 지원을 받았습니다. 이 연구에서는 스파이킹 신경망(SNN)을 사용한 새로운 장소 인식 알고리즘을 제안합니다.

후사이니 씨는 "SNN은 생물학적 뇌가 짧고 개별적인 신호를 사용하여 정보를 처리하는 방식을 모방한 인공 신경망으로, 동물 뇌의 뉴런이 소통하는 방식과 매우 유사합니다."라고 말했습니다.

"이러한 네트워크는 신경형 하드웨어에 특히 적합합니다. 신경형 하드웨어는 생물학적 신경 시스템을 모방하는 특수 컴퓨터 하드웨어로, 더 빠른 처리와 상당한 에너지 소비 감소를 가능하게 합니다."

최근 몇 년 동안 로봇 공학은 급속히 발전했지만, 현대 로봇은 여전히 ​​복잡하고 알려지지 않은 환경에서 탐색하고 작동하는 데 어려움을 겪고 있습니다.

그들은 또한 상당한 계산 및 에너지 요구 사항을 가진 훈련 체계를 갖춘 AI 기반 탐색 시스템에 의존하는 경우가 많습니다.

피셔 박사는 "동물은 놀라울 정도로 효율적이고 강인하게 크고 역동적인 환경을 탐색하는 데 매우 능숙합니다."라고 말했습니다.

"이 연구는 오늘날의 보다 전통적인 접근 방식과 경쟁하거나 심지어 능가할 수 있는 생물학적으로 영감을 받은 항해 시스템이라는 목표를 향한 한 걸음입니다."

QUT 팀이 개발한 시스템은 작은 신경망 모듈을 사용하여 이미지에서 특정 장소를 인식합니다.

이러한 모듈은 여러 개의 스파이크 네트워크로 구성된 앙상블을 형성하여 대규모 환경에서도 탐색하는 법을 학습할 수 있는 확장 가능한 탐색 시스템을 만들었습니다.

"단일 이미지 대신 일련의 이미지를 사용함으로써 장소 인식 정확도가 41% 향상되었고, 이를 통해 시스템은 시간이 지남에 따라, 그리고 계절과 날씨 조건에 따라 나타나는 모습의 변화에 ​​적응할 수 있었습니다."라고 밀포드 교수는 말했습니다.

이 시스템은 자원이 제한된 로봇에서 성공적으로 시연되었으며, 에너지 효율성이 중요한 실제 시나리오에서 이 접근 방식이 실용적이라는 개념 증명을 제공했습니다.

"이 연구는 에너지가 제한된 환경에서 자율 로봇을 위한 보다 효율적이고 안정적인 내비게이션 시스템을 위한 길을 여는 데 도움이 될 수 있습니다. 특히 흥미로운 기회로는 우주 탐사 및 재해 복구와 같은 분야가 있으며, 여기서는 에너지 효율성을 최적화하고 대응 시간을 단축하는 것이 중요합니다."라고 후세이니 씨가 말했습니다.

출처: https://www.sciencedaily.com/releases/2024/12/241202124241.htm