Chinesische Forscher entwickeln biomimetisches Gerüst für intelligentere Roboter

Fehlende Anpassungsfähigkeit lässt sie durch einfache Umgebungsänderungen vollständig desorientieren und ihren Fortschritt stoppen. Um dieses Problem zu lösen, haben Wissenschaftler der Northwestern Polytechnical University ein neues bioinspiriertes kognitives Navigationsframework entwickelt.

Das Ziel dieses Ansatzes ist es, Robotern „räumliche Intelligenz" zu verleihen. Damit wird die angeborene Fähigkeit, unbekannte und dynamische Umgebungen unter Nutzung interner räumlicher Wahrnehmung und vergangener Erfahrungen zu navigieren.

Bioinspirierte Systeme finden sich in neuen Orten mühelos zurecht, indem sie flexible mentale Karten, Gedächtnis und kluge Planung einsetzen, dabei aber kaum Energie verbrauchen. Herkömmliche Roboter verfügen hingegen über keine integrierte kognitive Architektur.

Technischer Hintergrund

Die traditionelle Roboternavigation gleicht dem Gehen mit einer Papierkarte: Der Roboter folgt einem starren, schrittweisen Prozess und kann Routen nicht bewältigen, die nicht bereits festgelegt wurden. Diese Abhängigkeit Programmierung begrenzt die Einsatzfähigkeit in unvorhersehbaren, realen Umgebungen grundlegend.

Unter der Leitung das Forschungsteam Inspiration aus der Art gewonnen, wie Mäuse Labyrinthe navigieren. Statt eine Maschine dazu zu zwingen, einen Raum pixelweise auswendig zu lernen, lehrt man sie, wie eine im Labyrinth laufende Maus zu denken.

Mäuse erkennen Schlüssellandmarken, bilden abstrakte Erinnerungen und erstellen kognitive Karten, um Wissen flexibel auf neue Situationen anzuwenden. Das zugrundeliegende Problem der modernen Robotik ist ein Mangel an Abstraktion. Wenn eine Maus einen unbekannten Stall erkundet, protokolliert sie nicht jedes einzelne Holzstück.

Technischer Hintergrund

Stattdessen identifiziert sie Schlüssellandmarken, speichert komprimierte Erinnerungen an die Anordnung ab und bildet in ihrem Gehirn eine flexible kognitive Karte. Wenn sich die Bedingungen ändern, panikiert die Maus nicht.

Sie passt sich an, zieht Schlussfolgerungen und nimmt Abkürzungen. „Das Gedächtnis spielt eine aktive Rolle bei der Navigation, indem es Erfahrungen in wiederverwendbares Wissen komprimiert und bei Bedarf rekonstruiert", so die Forscher in ihrer Studie.

Um diesen biologischen Vorteil nachzubilden, entwickelte Guos Team ein dreistufiges Framework, das auf dynamischer Landmarkenerkennung, erfahrungsbasiertem Gedächtnis und hierarchischer Entscheidungsfindung basiert. Durch die Kombination dieser kognitiven Software mit brain-inspirierter neuromorpher Hardware entstand eine hoch effiziente Systemarchitektur.

Technik und Auswirkungen

Diese spezialisierten Prozessoren imitieren biologische Neuronen, indem sie sich nur bei der Detektion aktivieren. Dieser Ansatz eliminiert den ständigen Leistungsbedarf, der für herkömmliches Rechnen typisch ist, und ebnet den Weg für eine neue Generation, agilen und autonomen Maschinen.

Neuromorphe Sensoren und Prozessoren, die nur auf nderungen der Eingabe reagieren, bieten eine energieeffiziente Basis, die die Latenzanforderungen fr den Einsatz llen kann. Das neue Framework ermöglicht Robotern, ihre Position genau zu bestimmen, ihre Umgebung vorherzusagen und vergangene Erfahrungen in neuen Umgebungen einzusetzen.

Dies erlaubt ihnen, Routen flexibel zu planen, und verlagert sie ßen Befolgung ändigen, intelligenten Entscheidungsfindung.

Wenn eine Maschine erfolgreich ein brennendes

Wenn eine Maschine erfolgreich ein brennendes Gebäude bei einer Rettungsaktion navigieren oder eine ältere Person in einem unübersichtlichen Zuhause sicher unterstützen soll, kann sie sich nicht auf eine vorprogrammierte Layout-Struktur verlassen. Man muss sich auf das Unerwartete einstellen.

Diese Entwicklung könnte Robotern ermöglichen, statt blind zu berechnen, tatsächlich zu denken, indem Maschinen gelehrt werden, Erfahrungen in wiederverwendbares Wissen zu destillieren. Das Team arbeitet derzeit mit verschiedenen Organisationen zusammen, um diese Technologie in die praktische, reale Anwendung zu überführen. Die Ergebnisse wurden am 22.

Mai in der Zeitschrift Nature Reviews Electrical Engineering veröffentlicht.