Innovadora navegación robótica aumenta la eficiencia y la precisión

Un equipo de investigación de la QUT se ha inspirado en los cerebros de insectos y animales para lograr una navegación robótica más eficiente energéticamente.

Dirigida por la investigadora postdoctoral Somayeh Hussaini, junto con el profesor Michael Milford y el Dr. Tobias Fischer del Centro de Robótica de la QUT, la investigación propone un nuevo algoritmo de reconocimiento de lugares utilizando redes neuronales de punta (SNN).

“Las SNN son redes neuronales artificiales que imitan la forma en que los cerebros biológicos procesan la información utilizando señales breves y discretas, de forma muy similar a cómo se comunican las neuronas en los cerebros animales“, dijo Hussaini.

“Estas redes son particularmente adecuadas para el hardware neuromórfico (hardware informático especializado que imita los sistemas neuronales biológicos), lo que permite un procesamiento más rápido y un consumo de energía significativamente reducido”.

Si bien la robótica ha experimentado un rápido progreso en los últimos años, los robots modernos aún tienen dificultades para navegar y operar en entornos complejos y desconocidos.

También suelen depender de sistemas de navegación derivados de IA cuyos regímenes de entrenamiento tienen importantes requisitos computacionales y de energía.

“Los animales son notablemente hábiles para navegar en entornos grandes y dinámicos con una eficiencia y solidez asombrosas”, dijo el Dr. Fischer.

“Este trabajo es un paso hacia el objetivo de sistemas de navegación inspirados en la biología que algún día podrían competir con los enfoques más convencionales de la actualidad o incluso superarlos”.

El sistema desarrollado por el equipo de QUT utiliza pequeños módulos de redes neuronales para reconocer lugares específicos a partir de imágenes.

Estos módulos se combinaron en un conjunto, un grupo de múltiples redes de picos, para crear un sistema de navegación escalable capaz de aprender a navegar en entornos grandes.

“El uso de secuencias de imágenes en lugar de imágenes individuales permitió una mejora del 41% en la precisión de reconocimiento de lugares, lo que permitió que el sistema se adaptara a los cambios de apariencia a lo largo del tiempo y en diferentes estaciones y condiciones climáticas“, dijo el profesor Milford.

El sistema se demostró con éxito en un robot con recursos limitados, lo que proporcionó una prueba de concepto de que el enfoque es práctico en escenarios del mundo real donde la eficiencia energética es fundamental.

“Este trabajo puede ayudar a allanar el camino para sistemas de navegación más eficientes y confiables para robots autónomos en entornos con limitaciones energéticas.

Entre las oportunidades particularmente interesantes se encuentran dominios como la exploración espacial y la recuperación ante desastres, donde optimizar la eficiencia energética y reducir los tiempos de respuesta son fundamentales“, afirmó Hussaini.

Fuente: Tech Xplore