دسته‌های ربات به لطف سیستم عصبی خودسازمانده رباتیک، به سطح جدیدی از هماهنگی دست یافته‌اند. این چارچوب الهام گرفته از سیستم عصبی، به ربات‌ها اجازه خودسازماندهی می‌دهد و هماهنگی و تکمیل وظایف را بهبود می‌بخشد. سیستم عصبی خودسازمانده رباتیک، امکان برنامه‌ریزی کل دسته ربات‌ها را به عنوان یک ربات واحد قابل پیکربندی مجدد فراهم می‌کند.
محققان دانشگاه آزاد بروکسل (ULB) یک معماری پیشگامانه برای دسته‌های ربات، الهام گرفته از سیستم عصبی انسان، معرفی کرده‌اند. این «سیستم عصبی خودسازمانده» (SoNS) ربات‌ها را قادر می‌سازد تا به طور خودکار زیر دسته‌هایی تشکیل دهند و هماهنگی آن‌ها را در هنگام حس کردن محیط، ناوبری و برنامه‌ریزی مأموریت به طور قابل توجهی افزایش دهند. این رویکرد نوآورانه به یک چالش کلیدی در رباتیک دسته جمعی می‌پردازد: انتقال از تنظیمات کنترل‌شده آزمایشگاهی به کاربردهای عملی در دنیای واقعی.
خودسازماندهی سنتی در دسته‌های ربات یک مانع قابل توجه است. در حالی که رفتارهای مطلوب در سطح گروه ظاهر می‌شوند، برنامه‌ریزی ربات‌های منفرد، طراحی و پیش‌بینی این رفتارها را پیچیده و زمان‌بر می‌کند. توسعه رفتارهای جدید دسته جمعی اغلب به آزمون و خطا متکی است و تطبیق یا ترکیب رفتارهای موجود دشوار است. معماری SoNS با ترکیب کنترل متمرکز و خودسازمانده، با بهره‌گیری از نقاط قوت هر دو رویکرد، به این مسئله می‌پردازد.
SoNS با ساخت و بازسازی پویا ساختارهای سلسله مراتبی در دسته ربات‌ها عمل می‌کند. ربات‌ها می‌توانند به طور موقت و به جای یکدیگر نقش‌های مختلفی را در یک سلسله مراتب رهبری، تقلید از سیستم عصبی انسان، بر عهده بگیرند. یک ربات «مغز» بالاترین موقعیت را اشغال می‌کند و فعالیت‌های دسته ربات‌ها را در طول یک مأموریت هدایت و نظارت می‌کند. نکته مهم این است که ارتباطات در شبکه SoNS محلی است. هر ربات فقط با همسایگان نزدیک خود ارتباط برقرار می‌کند و از گلوگاه‌های ارتباطی که می‌توانند سیستم‌های متمرکز را مختل کنند، اجتناب می‌کند. این ارتباطات محلی امکان پردازش کارآمد اطلاعات را فراهم می‌کند: داده‌های حسگر هنگام حرکت به سمت بالای سلسله مراتب ادغام می‌شوند، در حالی که دستورالعمل‌های کنترل به سمت پایین منتشر می‌شوند و تعادلی بین اقدامات ربات‌های منفرد و رفتار جمعی دسته ربات‌ها ایجاد می‌کنند.
معماری SoNS به عنوان میان‌افزار عمل می‌کند و ربات‌های منفرد را قادر می‌سازد تا به صورت پویا خود را بر اساس وظیفه خاص در سلسله مراتب سازماندهی کنند. این به دسته ربات‌ها اجازه می‌دهد تا از قابلیت‌های ترکیبی اعضای خود به طور مؤثر استفاده کنند. اساساً، SoNS به برنامه‌نویسان اجازه می‌دهد تا با دسته ربات‌ها به عنوان یک موجودیت واحد و قابل پیکربندی مجدد رفتار کنند و توسعه و استقرار رفتارهای دسته جمعی را در سناریوهای دنیای واقعی ساده کنند. این رویکرد گامی مهم در جهت پر کردن شکاف بین تحقیقات آزمایشگاهی و کاربردهای عملی رباتیک دسته جمعی است.
محققان چارچوب خود را از طریق شبیه‌سازی‌های گسترده شامل حداکثر ۲۵۰ ربات هوایی و زمینی و همچنین آزمایش‌های اثبات مفهوم با ربات‌های فیزیکی تأیید کردند. نتایج، اثربخشی SoNS را در هماهنگی تعداد زیادی ربات نشان داد. مسیرهای تحقیقاتی آینده شامل توسعه عملکردهای «مغز» پیچیده‌تر و روش‌های محاسباتی سلسله مراتبی، به طور بالقوه شامل قابلیت‌های یادگیری آنلاین و برنامه‌ریزی خودکار مأموریت است.
کاربردهای بالقوه SoNS بسیار گسترده است. دسته‌هایی از ربات‌ها را تصور کنید که در عملیات جستجو و نجات پس از بلایای طبیعی به طور مؤثر همکاری می‌کنند و مناطق وسیعی را به سرعت و به طور مؤثر پوشش می‌دهند. نظارت بر محیط زیست و کنترل آلودگی نیز می‌تواند به طور قابل توجهی از این فناوری بهره‌مند شود، با دسته ربات‌هایی که برای جمع‌آوری داده‌ها در مناطق جغرافیایی بزرگ مستقر شده‌اند. سازگاری و استحکام SoNS آن را برای محیط‌های پیچیده و غیرقابل پیش‌بینی ایده‌آل می‌کند.
این رویکرد نوآورانه به رباتیک دسته جمعی نویدبخش انقلابی در زمینه‌های مختلف است. SoNS با فعال کردن دسته‌های ربات برای عملکرد به عنوان یک موجودیت یکپارچه و سازگار، راه را برای راه‌حل‌های رباتیک کارآمدتر، مقاوم‌تر و پیچیده‌تر برای چالش‌های دنیای واقعی هموار می‌کند. توانایی برنامه‌ریزی یک دسته ربات به عنوان یک ربات واحد، فرآیند توسعه را ساده می‌کند و امکانات جدیدی را برای وظایف هماهنگ پیچیده باز می‌کند. این پیشرفت گامی مهم در جهت تحقق پتانسیل کامل رباتیک دسته جمعی در تغییر صنایع و پرداختن به چالش‌های پیچیده است. توسعه و اصلاح بیشتر معماری SoNS بدون شک منجر به پیشرفت‌های چشمگیرتری در زمینه رباتیک دسته جمعی خواهد شد.
اگر به خواندن کامل این مطلب علاقه‌مندید، روی لینک مقابل کلیک کنید: techxplore.com
