هوش مصنوعی به رباتها در تشخیص و ردیابی اشیا زیر آب کمک میکند
تیمی از محققان نشان دادهاند که یادگیری تقویتی (یعنی یک شبکه عصبی که بهترین عملکرد را در هر لحظه بر اساس یک سری پاداشها میآموزد) به وسایلنقلیه خودران و رباتهای زیر آب این امکان را میدهد، تا اشیا و حیوانات دریایی را شناسایی کرده و با دقت آنها را ردیابی نمایند.
به گزارش هوشیو، زمانی که دانشمندان میخواهند اقیانوسها را کاوش کنند، با چالشهای زیادی مواجه میشوند، اما اکنون رباتهایی وجود دارند که میتوانند تا عمق 4000 متری زیر آب بروند. این رباتها اطلاعاتی به ما میدهند که نمیتوانیم از ماهوارهها به دست آوریم. آنها همچنین به ما کمک میکنند تا موضوعاتی مانند چگونگی دریافت CO2 موجودات دریایی از آب را که برای تغییرات آبوهوایی مهم است، درک نماییم.
این یافته جدید نشان میدهد که یادگیری تقویتی، که به طور گسترده در زمینه کنترل، رباتیک و همچنین در توسعه ابزارهای مرتبط با پردازش زبان طبیعی مانند ChatGPT استفاده میشود، به رباتهای زیر آب اجازه میدهد تا بیآموزند در هر زمان چه اقداماتی را انجام دهند. براین اساس رباتها میتوانند یاد بگیرند که چگونه کارها را بهتنهایی انجام دهند، بدون اینکه نیازی به راهنمایی گام به گام توسط انسان داشته باشند.
به گفته محققان این پروژه، این نوع یادگیری به ما این را امکان میدهد تا یک برنامه کامپیوتری (شبکه عصبی) را جوری آموزش دهیم که برای انجام یک کار خاص بسیار خوب باشد، زیرا اصولا آموزش این برنامهها کار بسیار دشواری است. به عنوان مثال، ما توانستهایم به یک وسیلهنقلیه خودروان آموزش دهیم که بتواند بهتر رانندگی کند و بداند کجاست.
دانشمندان میتوانند از رباتها برای درک بهتر نحوه حرکت و مهاجرت حیوانات دریایی در مقیاسهای مختلف استفاده کنند. آنها همچنین میتوانند از رباتها برای نظارت بر چیزهای دیگری در اقیانوس مانند حسگرها و تجهیزات استفاده نمایند. رباتها میتوانند با یکدیگر صحبت کنند تا اطلاعات را در زمان واقعی به اشتراک بگذارند. برخی از رباتها میتوانند روی سطح باشند و اطلاعاتی را به ماهوارهها بفرستند، که به محققان اجازه میدهد تا آنچه را که در اقیانوس اتفاق میافتد از دور مطالعه نمایند.
برای انجام این کار، دانشمندان از سیگنالهای صوتی برای مکانیابی اجسام استفاده کردند، اما دقت این موضوع بستگی به مکانی دارد که صدا را اندازهگیری میکند. اینجاست که کاربرد هوش مصنوعی و به طور خاص یادگیری تقویتی برای پیدا کردن بهترین نقاط بهمنظور اندازهگیری سیگنالهای صوتی و یافتن کارآمدترین مسیر برای یک ربات، اهمیت پیدا میکند.