به گزارش سیناپرس اردبیل، این سگ رباتیک با استفاده از نخاع ساخته شده توسط دانشمندان به خوبی راه می رود. حیوانات با شبکه‌های هماهنگی ماهیچه‌ای در نخاع متولد می‌شوند، اما یادگیری دقیق نحوه استفاده از ماهیچه‌ها و تاندون‌های پا ممکن است زمان بر باشد. بچه حیوانات زندگی خود را با تکیه بر رفلکس های نخاعی با سیم سخت شروع می کنند. رفلکس‌های کنترل حرکتی اولیه‌تر نیز به حیوان کمک می‌کند از افتادن و آسیب رساندن به خود در اولین تلاش‌های خود برای راه رفتن جلوگیری کند. سپس حیوانات ماهیچه‌ای پیشرفته‌تر و دقیق‌تری را تا زمانی که سیستم عصبی با عضلات پا و تاندون‌های موجود جوان سازگار شود را کنترل می کنند.
فلیکس روپرت، نویسنده اول این مطالعه از مؤسسه سیستم‌های هوشمند ماکس پلانک در اشتوتگارت، در یک بیانیه دانشگاهی می‌گوید: «به‌عنوان مهندس و متخصص رباتیک، ما با ساختن رباتی که دارای رفلکس‌هایی مانند حیوان است و از اشتباهات درس می‌گیرد، به دنبال پاسخ هستیم». اگر حیوانی زمین بخورد، آیا اشتباه کرده است؟ نه اگر یک بار اتفاق بیفتد. اما اگر مکرراً تلو تلو بخورد، دارای نقص است.
سگ ربات چگونه این مهارت را یاد می گیرد؟
این سگ ربات با استفاده از الگوریتم پیچیده ای کار می کند که نحوه یادگیری را راهنمایی می کند. اطلاعات حسگرهای پا با داده های مدل نخاعی که به عنوان یک برنامه در رایانه ربات اجرا می شود مطابقت دارد. این سگ ربات با مقایسه مداوم اطلاعات حسگر تنظیم شده و مورد انتظار، اجرای حلقه های بازتابی و تطبیق روش تنظیم حرکات خود راه رفتن را یاد می گیرد.
الگوریتم پارامترهای کنترلی یک مولد الگوی مرکزی (CPG) را تطبیق می دهد. در انسان و حیوان، اینها شبکه‌هایی از نورون‌ها در نخاع هستند که انقباضات دوره‌ای عضلانی را بدون ورودی مغز ایجاد می‌کنند. شبکه های مولد الگو به ما کمک می کنند راه برویم، پلک بزنیم و غذا را هضم کنیم. رفلکس ها اعمال غیرارادی هستند که توسط مسیرهای رمزگذاری شده ای ایجاد می شوند که حسگرهای موجود در پا را به نخاع متصل می کنند.
تا زمانی که یک حیوان روی یک سطح کاملا صاف راه می‌رود، این مولدهای الگو می‌توانند برای کنترل سیگنال‌های حرکتی از نخاع کافی باشند. یک برآمدگی کوچک راه رفتن را تغییر می دهد، رفلکس ها وارد می شوند و ممکن است موجود مجبور شود الگوهای حرکتی خود را تغییر دهد تا از افتادن جلوگیری کند. این تغییرات برگشت پذیر و "الاستیک" هستند و الگوهای حرکتی پس از اختلال به پیکربندی اولیه خود باز می گردند.
در یک حیوان تازه متولد شده، این مولدهای الگو هنوز به اندازه کافی تنظیم نشده اند و حیوان در زمین های هموار و ناهموار تلو تلو می خورد. این موجود به سرعت یاد می گیرد که چگونه شبکه های الگوی عضلات پا و تاندون ها را کنترل کند. همین امر در مورد ربات نیز صادق است، اما حرکات خود را حتی سریعتر از یک حیوان یاد می گیرد.
ژنراتورهای الگوی سگ رباتی که مورتی نام دارد، بر روی یک کامپیوتر کوچک و سبک شبیه سازی شده اند که حرکت پاهای ربات را کنترل می کند. این نخاع مجازی در پشت ربات چهارپا در جایی که سر وجود دارد، قرار می گیرد. در طول ساعتی که طول می‌کشد تا ربات به آرامی راه برود، داده‌های حسگر از پای ربات به‌طور مداوم با کاهش پیش‌بینی‌شده توسط مولد الگوی ربات مقایسه می‌شود. اگر ربات زمین بخورد، الگوریتم میزان چرخش پاها به جلو و عقب، سرعت چرخش پاها و مدت زمان قرار گرفتن یک پا روی زمین را تغییر می‌دهد. همانطور که ربات یاد می‌گیرد، مولد الگو سیگنال‌های موتوری سازگار را ارسال می‌کند تا کمتر تلو تلو بخورد و راه رفتن را بیاموزد. CPG شبیه هوش راه رفتن خودکار داخلی است که طبیعت فراهم می کند و ما آن را به ربات منتقل کرده ایم.
نویسنده این مطالعه ادامه می دهد که کامپیوتر سیگنال هایی تولید می کند که موتورهای پا را کنترل می کند و ربات در ابتدا راه می رود و تلو تلو می خورد. داده‌ها از حسگرها به نخاع مجازی برمی‌گردند، جایی که داده‌های حسگر و CPG با هم مقایسه می‌شوند. اگر داده‌های حسگر با داده‌های مورد انتظار مطابقت نداشته باشد، الگوریتم یادگیری رفتار راه رفتن را تغییر می‌دهد تا زمانی که ربات به خوبی و بدون زمین خوردن راه برود. تغییر خروجی CPG با فعال نگه داشتن رفلکس ها و نظارت بر تلو تلو خوردن ربات، بخش اصلی فرآیند یادگیری است.
مدل رباتیک به سوالاتی که زیست شناسی به تنهایی قادر به پاسخگویی به آنها نیست، پاسخ می دهد. ما می دانیم که CPG ها در بسیاری از حیوانات وجود دارد. ما می دانیم که رفلکس ها تعبیه شده اند. اما چگونه می توانیم هر دو را ترکیب کنیم تا حیوانات حرکات را با رفلکس و CPG یاد بگیرند؟ این یک تحقیق اساسی در تقاطع بین رباتیک و زیست شناسی است. مدل رباتیک به سوالاتی پاسخ می دهد که زیست شناسی به تنهایی نمی تواند به آنها پاسخ دهد. نویسندگان می گویند که این ربات تنها از پنج وات نیرو برای راه رفتن استفاده می کند؛ بنابراین برای طبیعت مضر نیست.
این یافته ها در مجله Nature Machine Intelligence منتشر شده است.
منبع:study find
مترجم: پریناز نصرتی