به گزارش خبرگزاری آنا به نقل از IE، این سامانه محققان دانشگاه پنسیلوانیا که «پانو رادار» «PanoRadar» نام دارد امواج رادیویی اصلی را به تصویر سه بعدی غنی تبدیل می‌کند و به ربات‌ها اجازه می‌دهد فراتر از محدودیت‌های حسگر‌های سنتی «ببینند».

این دستگاه با استفاده از الگوریتم هوش مصنوعی در پردازش امواج رادیویی، تصاویر با وضوح پایین به دست آمده از رادار معمولی را بهبود می‌بخشد.

به گفته مجریان این طرح، این سامانه به ربات‌ها امکان می‌دهد تا به طور دقیق در موقعیت‌های چالش برانگیز و وجود موانعی مانند دود، شیشه و دیوار‌ها که حسگر‌های معمولی چندان کارآمد نیستند، حرکت کنند.

این محققان با انتشار ویدئویی اعلام کردند: «این نوآوری در درک مبتنی بر هوش مصنوعی، قابلیت بهبود سامانه‌های چند وجهی را دارد و به ربات‌ها کمک می‌کند تا در محیط‌های چالش برانگیزی مانند ماموریت‌های جستجو و نجات یا وسایل نقلیه خودران به طور موثرتری عمل کنند.

یکی از مسائل پرتکرار در تلاش برای ارائه سامانه‌های ادراکی قابل اعتماد برای ربات ها، عملکرد مطلوب آنها در آب و هوای نامساعد و سایر محیط‌های چالش برانگیز بوده است. به عنوان مثال، در دود و مه غلیظ، حسگر‌های دید مبتنی بر نور معمولی مانند دوربین‌ها یا LiDAR (تشخیص نور و محدوده) بی اثر هستند.

به گفته پژوهشگران، با این حال طبیعت نشان داده، محدودیت‌های نور نمی‌تواند بینایی محدود کند. بسیاری از حیوانات، مستقل از نور، روش‌هایی را برای درک محیط اطراف خود ایجاد کرده اند. کوسه‌ها با تشخیص میدان‌های الکتریکی ناشی از حرکات طعمه خود شکار می‌کنند و خفاش‌ها از پژواک امواج صوتی برای حرکت بهره می‌برند.

امواج رادیویی، فراتر از دید انسان، می‌توانند آن سوی مواد را ببینند و در مقایسه با امواج نور، به طور موثرتری به درون دود و مه نفوذ می‌کنند، زیرا طول موج طولانی‌تر دارند.

با این وجود، ربات‌ها در طول تاریخ فقط از مجموعه کوچکی از ابزار‌ها استفاده کرده اند: رادار‌های کلاسیک، که می‌توانند از طریق دیوار‌ها و موانع دیگر ببیند، اما تصاویر ابتدایی و با وضوح پایین تولید می‌کند، یا دوربین‌ها و LiDAR که تصاویر دقیق ارائه می‌دهند، اما در موقعیت‌های دشوار عملکرد ضعیفی دارند.

دید رادیویی سه بعدی

پانو رادار، فناوری جدیدی که امواج رادیویی اولیه را به تصاویر پیچیده و سه بعدی از محیط اطراف تبدیل می‌کند، برای رفع این مشکل و ارائه بینایی فوق بشری به ربات‌ها ایجاد شده است.

حسگر پانو رادار مانند یک فانوس دریایی عمل می‌کند و کل افق را با رصد پرتو آن در یک دایره اسکن می‌کند. یک آرایه عمودی گردان از آنتن‌ها سیستم را تشکیل می‌دهد که محیط آن را اسکن می‌کند. این آنتن‌ها مانند نحوه شناسایی حضور کشتی‌ها و مکان‌های دیدنی ساحلی توسط پرتو‌های یک فانوس دریایی، با انتشار امواج رادیویی و گوش دادن به بازتاب‌های آنها از محیط اطراف می‌چرخند.

پانورادار به دلیل برخورداری از هوش مصنوعی، از این روش اسکن ساده پیشی گرفته است. برخلاف فانوس دریایی که فقط مناطق مختلف را در حین چرخش روشن می‌کند، پانورادار به طور هوشمند اندازه گیری‌ها را از تمام زوایای چرخش ترکیب می‌کند تا وضوح تصویربرداری خود را بهبود بخشد.

پانورادار شبیه یک فانوس دریایی کار می‌کند، با یک حسگر چرخشی که امواج رادیویی را ساطع می‌کند و پژواک آن توسط هوش مصنوعی پردازش می‌شود و به تصویری دقیق و سه بعدی از محیط اطراف تبدیل می‌شود.

این روش چرخشی مجموعه‌ای متراکم از نقاط اندازه گیری مجازی را تولید می‌کند و پانورادار را قادر می‌سازد تا وضوح تصویری قابل مقایسه با LiDAR را بدست آورد و این درحالی است که خود حسگر تنها بخش کوچکی از قیمت سیستم‌های معمولی پرهزینه LiDAR است.

«مینگ مین ژائو» «Mingmin Zhao» استادیار علوم رایانه و اطلاعات و مجری این تحقیقات می‌گوید: «نوآوری اصلی در نحوه پردازش این اندازه گیری‌های امواج رادیویی است. الگوریتم‌های پردازش سیگنال و یادگیری ماشینی ما قادر به استخراج اطلاعات سه بعدی غنی از محیط هستند.»

حسگر برپایه هوش مصنوعی

این گروه با چالش‌های مهمی در توسعه الگوریتم‌هایی برای پانورادار به منظور حفظ تصویربرداری با وضوح بالا در حین حرکت ربات، مواجه شد.

با استفاده از LiDAR برای تایید اولیه، سامانه درک خود را اصلاح کرد و ردیابی بهتری در مناطق پر از دود و نقشه برداری فضا‌های با دیوار‌های شیشه‌ای را نشان داد، که حسگر‌های سنتی اغلب برای شناسایی آن دچار مشکل هستند.

این محققان قصد دارند در آینده بررسی کنند چگونه پانورادار می‌تواند فناوری‌های حسگر موجود، مانند دوربین‌ها و LiDAR را تکمیل کند تا سامانه‌های ادراک قابل اعتمادتر و چندوجهی را برای ربات‌ها توسعه دهد. همچنین آنها در حال گسترش دامنه آزمایش‌های خود هستند تا انواع وسایل نقلیه خودران و سکو‌های رباتیک را در برگیرد.

ژائو تاکید کرد: «برای انجام کار‌های خطرناک، داشتن راه‌های متعدد برای سنجش محیط بسیار مهم است. هر حسگر نقاط قوت و ضعف خود را دارد و با ترکیب هوشمندانه آنها می‌توانیم ربات‌هایی بسازیم که برای مقابله با چالش‌های دنیای واقعی مجهزتر باشند.»