اخیراً در زمینه رباتهای سیار، توسط محققین یک سیستم ادراک شناختی جدیدی به نام robosherlock توسعه داده شده است؛ به طوری که این سیستم باعث افزایش کارایی رباتهای سیار در فعالیتها و وظایف روزانه خواهد شد.
در نظر داشته باشید که رباتهای سیار، همواره در طول روز باید مسیرهای خاصی را طی کرده و وظایف مشخصی را به انجام برسانند. حال در اینچنین شرایطی برای داشتن عملکردی بهتر، هر یک از این نوع رباتها باید از محیط اطراف خود آگاهی بیشتری داشته باشند.
در این راستا، رباتهای سیار باید انواع اشیا موجود در اطراف خود را شناسایی کرده و با توجه به محل قرارگیری آنها، ارتباطهای موجود بین آنها را بدست آورده و بر این اساس عکسالعملهای مناسبی را اتخاذ نمایند. گویا در این زمینه سیستم robosherlock خواهد توانست تا میزان توانایی رباتهای سیار را افزایش دهد.
شیوه عملکرد robosherlock، مبتنی بر آنالیز محتوی میباشد. منظور از آنالیز محتوی یک نوع استراتژی به کار گرفته شده برای استفاده از متدهای آماری در آنالیز حجم گستردهای از دادهها میباشد.
در ادامه قصد داریم به بررسی هر چه بیشتر سیستم robosherlock بپردازیم. لطفاً تا پایان این پست با ما همراه باشید.
شیوه عملکرد سیستم robosherlock
دیتای آنالیز شده توسط robosherlock به صورت “غیر ساخت یافته” میباشد. از آن جایی که نوع نگهداری و ساختار آن تأثیری در منطق بدست آمده از این سیستم ندارد، میتوان اطلاعات جمعآوری شده توسط سیستم را در یک پایگاه داده و یا صفحه گسترده ذخیرهسازی نمود.
در این جا، منظور از اطلاعات غیر ساخت یافته؛ متن، داکیومنت، فایلهای صدا، عکسها و موارد دیگری هستند که توسط سنسورهای رباتهای سیار از محیط اطراف آنها جمعآوری شده و به صورت یکجا ذخیره شدهاند.
![تشخیص اشیا محیط اطراف](https://jahanemohtava.com/wp-content/uploads/2019/12/robotics001002.jpg)
سیستم robosherlock برای مدیریت این حجم از دادههای غیر ساخت یافته، از استراتژی “UIM” استفاده میکند. منظور از UIM، یک سیستم مدیریت اطلاعات غیر ساخت یافته است که قادر است حجم بزرگی از اطلاعات غیر ساخت یافته را با استفاده از برخی الگوریتمهای استخراج اطلاعات، پردازش نماید.
در نظر داشته باشید که هر یک از این الگوریتمها، بنا بر تخصص خود نوع متفاوتی از دانش را استخراج میکنند؛ که در نهایت اطلاعات و دانش بدست آمده از این الگوریتمها بر اساس مکانیزم یادگیری ماشین، منجر به اتخاذ تصمیماتی اساسی توسط ربات میشوند.
در واقع شیوه جدید توسعه داده شده، باعث خواهد شد تا رباتهای سیار به میزان آگاهی و دانش بیشتری نسبت به محیط اطراف خود دست یابند و از این رو در برابر شرایط بیرونی و محیطی خود، موفق به اتخاذ تصمیمات حرکتی بسیار بهتری شوند.