Os olhos do robô estão com fome de poder. E se lhes demos ferramentas inspiradas no cérebro humano?

Os robôs estão cada vez mais se tornando parte de nossas vidas – da automação do armazém a aspiradores de pó robóticos. E, assim como os humanos, os robôs precisam saber onde estão para navegar de maneira confiável de A a B.

Quão longe e por quanto tempo um robô pode navegar depende de quanto poder consome com o tempo. Os sistemas de navegação de robôs estão especialmente com fome de energia.

Mas e se o consumo de energia não fosse mais uma preocupação?

Nossa pesquisa sobre computação “inspirada no cérebro”, publicada hoje em Robótica científicapoderia tornar os robôs de navegação do futuro mais eficientes em termos energéticos do que se imaginava anteriormente.

Isso pode potencialmente estender e expandir o que é possível para sistemas movidos a bateria que trabalham em ambientes desafiadores, como zonas de desastre, subaquática e até no espaço.

Como os robôs ‘veem’ o mundo?

A bateria que vai no seu smartphone geralmente é apenas um pequeno inconveniente. Para um robô, ficar sem poder pode significar a diferença entre vida e morte – incluindo as pessoas que pode estar ajudando.

Robôs como drones de busca e resgate, robôs subaquáticos que monitoram a grande barreira recife e os rovers espaciais precisam navegar enquanto executa com fontes de alimentação limitadas.

Muitos desses robôs não podem confiar no GPS para a navegação. Eles acompanham onde estão usando um processo chamado reconhecimento do Visual Place. O reconhecimento do Visual Place permite uma estimativa de robô onde está localizado no mundo usando exatamente o que ele “vê” através de sua câmera.

Mas esse método usa muita energia. Somente os sistemas de visão robótica podem usar até um terço da energia de uma bateria típica de íon de lítio encontrada a bordo de um robô.

Isso ocorre porque a visão robótica moderna, incluindo o reconhecimento visual de lugares, normalmente depende de modelos de aprendizado de máquina com fome de energia, semelhantes aos usados ​​na IA como o ChatGPT.

Em comparação, nossos cérebros exigem energia suficiente para ligar uma lâmpada, enquanto nos permitem ver as coisas e navegar no mundo com precisão notável.

Os engenheiros de robótica costumam procurar inspiração para a biologia. Em nosso novo estudo, nos voltamos para o cérebro humano para nos ajudar a criar um novo sistema de reconhecimento de lugar visual eficiente em termos de energia.

Imitando o cérebro

Nosso sistema usa uma tecnologia de inspiração cerebral chamada computação neuromórfica. Como o nome sugere, os computadores neuromórficos recebem princípios da neurociência para projetar chips de computador e software que possam aprender e processar informações como os cérebros humanos.

Uma característica importante dos computadores neuromórficos é que eles são altamente eficientes em termos de energia. Um computador regular pode usar até 100 vezes mais potência do que um chip neuromórfico.

A computação neuromórfica não se limita a apenas chips de computador. Pode ser combinado com câmeras bio-inspiradas que capturam o mundo mais parecido com o olho humano. Eles são chamados sensores de visão dinâmica e funcionam como detectores de movimento para cada pixel. Eles apenas “acordam” e enviam informações quando algo mudar na cena, em vez de transmitir constantemente dados como uma câmera comum.

Essas câmeras bio-inspiradas também são altamente eficientes em termos de energia, usando menos de 1% da potência das câmeras normais.

Então, se os computadores inspirados no cérebro e as câmeras bio-inspiradas são tão maravilhosas, por que os robôs não os usam em todos os lugares? Bem, há uma série de desafios a serem superados, que foi o foco de nossa pesquisa recente.

Um novo tipo de lente

As propriedades únicas de um sensor de visão dinâmica são, ironicamente, um fator limitante em muitos sistemas de reconhecimento de lugares visuais.

Os modelos de reconhecimento de lugar visual padrão são construídos com base na base de imagens estáticas, como as capturadas pelo seu smartphone. Como um sensor neuromórfico não produz imagens estáticas, mas sente o mundo de uma maneira em constante mudança, precisamos de um computador inspirado no cérebro para processar o que ele “vê”.

Nossa pesquisa supera esse desafio combinando chips e sensores neuromórficos para robôs que usam o reconhecimento do Visual Place. Chamamos esse sistema de codificação de localização com sistemas neuromórficos ou lentes para abreviar.

A lente usa o fluxo de informações contínuas de um sensor de visão dinâmica diretamente em um chip neuromórfico. O sistema usa um método de aprendizado de máquina conhecido como redes neurais de pico. Essas informações de processo como cérebros humanos fazem.

Ao combinar todos esses componentes neuromórficos, reduzimos a potência necessária para o reconhecimento de lugar visual em mais de 90%. Como quase um terço da energia necessária para um robô está relacionado à visão, isso é uma redução significativa.

Para conseguir isso, usamos um produto de prateleira chamado Synsense Speck, que combina um chip neuromórfico e um sensor de visão dinâmica, tudo em um pacote compacto.

Todo o sistema exigia apenas 180 quilobytes de memória para mapear uma área de Brisbane oito quilômetros de comprimento. Essa é uma pequena fração do que seria necessário em um sistema de reconhecimento de lugar visual padrão.

Um robô na natureza

Para testes, colocamos nosso sistema de lentes em um robô hexápodo. Os hexápodes são robôs com vários terríveis que podem navegar tanto em ambientes fechados quanto ao ar livre.

Em nossos testes, a lente realizada, bem como um sistema típico de reconhecimento de lugar visual, mas usou muito menos energia.

Nosso trabalho chega em um momento em que o desenvolvimento da IA ​​está tendendo a criar soluções maiores e mais famintas de poder para melhorar o desempenho. A energia necessária para treinar e usar sistemas como o ChatGPT da OpenAI é notoriamente exigente, com preocupações de que a IA moderna represente um crescimento insustentável nas demandas de energia.

Para robôs que precisam navegar, o desenvolvimento de IA mais compacto e com eficiência energética usando computação neuromórfica pode ser fundamental para poder ir mais longe e por períodos mais longos. Ainda existem desafios a resolver, mas estamos mais próximos de torná -lo realidade.

Este artigo é republicado da conversa sob uma licença Creative Commons. Leia o artigo original.