ဆောင်းပါးတို Unknown Environments - Unite.AI ကို ရှာဖွေရန် သေးငယ်သော ဒရုန်းများကို သုတေသီများက တီထွင်ဖန်တီးခဲ့ကြသည်။
ကြှနျုပျတို့နှငျ့အတူချိတ်ဆက်ပါ

စက်ရုပ်

သုတေသီများသည် အမည်မသိပတ်ဝန်းကျင်များကို ရှာဖွေရန် သေးငယ်သော ဒရုန်းများကို တီထွင်ဖန်တီးခဲ့ကြသည်။

နောက်ဆုံးရေးသားချိန် on

Delft University of Technology မှ သုတေသီများသည် အမည်မသိပတ်ဝန်းကျင်များကို အလိုအလျောက်ရှာဖွေနိုင်သည့် သေးငယ်သောဒရုန်းများကို တီထွင်ထုတ်လုပ်ခဲ့သည်။ သုတေသနကို အောက်တိုဘာ ၂၃ ရက်၌ တင်ပြခဲ့သည်။ သိပ္ပံစက်ရုပ်။ အလုပ်သစ်သည် အစုအဝေးစက်ရုပ်များ ဆက်လက်ဖွံ့ဖြိုးတိုးတက်မှုအတွက် အရေးကြီးပါသည်။ 

အဆိုပါ စက်ရုပ်သေးသေးလေးများကို တီထွင်ရာတွင် အခက်ခဲဆုံးသော အစိတ်အပိုင်းတစ်ခုမှာ ၎င်းတို့ အလိုအလျောက် ရွေ့လျားနိုင်စေရန်အတွက် ၎င်းတို့၏ အကန့်အသတ်ရှိသော အာရုံခံနိုင်စွမ်းနှင့် တွက်ချက်မှုဆိုင်ရာ စွမ်းရည်များအကြောင်း လုပ်ဆောင်ရန် လိုအပ်ပါသည်။ TU Delft၊ University of Liverpool နှင့် Radbound University of Nijmegen တို့မှ သုတေသီများ ပါဝင်သော အဖွဲ့သည် အင်းဆက်လမ်းကြောင်းပြခြင်းကို စံနမူနာအဖြစ် ကြိုးပမ်းခဲ့သည်။ 

ကြီးမားသောအလားအလာ

ဤ site တွင်အကြိမ်ကြိမ်ဖော်ပြခဲ့သည့်အတိုင်း၊ swarm robotics သည်ဖြစ်နိုင်ခြေများစွာကိုဦးတည်နိုင်သည့်ကြီးထွားလာသောနယ်ပယ်တစ်ခုဖြစ်သည်။ လက်တွေ့ဘဝ အင်းဆက်ကောင်များကို စက်ရုပ်သေးသေးလေးများအတွက် စံပြအဖြစ် အသုံးပြုထားသည်။ စက်ရုပ်တစ်ရုပ်သည် ၎င်း၏စွမ်းရည်များတွင် အကန့်အသတ်ရှိနိုင်သော်လည်း အများအပြားကို စုစည်းခြင်းဖြင့် စွမ်းရည်အသစ်များကို ပေးစွမ်းနိုင်သည်။ စက်ရုပ်ငယ်များသည် မကြာခဏစျေးနည်းပြီး ပိုကြီးသော စက်ရုပ်များစွာ မလုပ်ဆောင်နိုင်သော အလုပ်များကို ပြီးမြောက်စေနိုင်သည်။ စက်ရုပ်ဒရုန်းငယ်များ အစုအဝေးတွင် သရုပ်ဖော်ခြင်းဖြင့် သဘာဝဘေးအန္တရာယ်ဆိုင်ရာ နေရာများကို စူးစမ်းလေ့လာနိုင်ပြီး ပိုမိုမြန်ဆန်စွာ နားလည်နိုင်မည်ဖြစ်သည်။ ဤနည်းပညာသည် မထွက်လာသေးသော်လည်း သုတေသီများသည် အလားအလာကောင်းများ ကြောင့် ၎င်းကို အဆက်မပြတ် လုပ်ဆောင်နေပါသည်။ 

TU Delft၊ University of Liverpool နှင့် Radbound University of Nijmegen တို့၏ ပူးပေါင်းသုတေသနအဖွဲ့အား ဒတ်ခ်ျအမျိုးသားသိပ္ပံဖောင်ဒေးရှင်း NWO Natural Artificial Intelligence ပရိုဂရမ်မှ ငွေကြေးထောက်ပံ့ပေးထားသည်။ 

ဤနည်းပညာကို အသုံးပြုနိုင်သည့် အဓိကနယ်ပယ်များထဲမှတစ်ခုမှာ ရှာဖွေရေးနှင့် ကယ်ဆယ်ရေးမစ်ရှင်များအတွင်းဖြစ်သည်။ သုတေသနအဖွဲ့သည် ထိုကဲ့သို့သော မစ်ရှင်များတွင် အသုံးပြုရန် စိတ်ကူးဖြင့် ဒရုန်းအစုအဝေးကို တီထွင်ခဲ့သည်။ အကယ်၍ အဖွဲ့သည် ၎င်းတို့ လိုချင်သည့် အရာကို ပြီးမြောက်အောင်မြင်ပါက၊ ကယ်ဆယ်ရေး သမားများသည် သေးငယ်သော ဒရုန်းများ အစုအဝေး များကို အသုံးပြု၍ သဘာဝ ဘေးအန္တရာယ် ကျရောက်သည့် နေရာ ကို ရှာဖွေ ကာ ပြန်လည် သတင်းပို့ နိုင်မည်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ ပြိုကျသည့်အစွန်းနားရှိ အဆောက်အအုံတစ်ခုကို ဒရုန်းများဖြင့် စူးစမ်းလေ့လာမည်ဖြစ်ပြီး ၎င်းတို့သည် အတွင်းလူများ၏တည်နေရာများကို ပြန်လည်တင်ပြမည်ဖြစ်သည်။ 

သေးငယ်သော ဒရုန်းများသည် သားကောင်များကို ရှာဖွေရန်အတွက် ကင်မရာများ တပ်ဆင်ထားနိုင်သည်။ သုတေသနအဖွဲ့သည် ဒရုန်းများကို အရုပ်မကောင်ကောင်နှစ်ဦးပါရှိသော မိုးလုံလေလုံရုံးပတ်ဝန်းကျင်သို့ ပေးပို့ခြင်းဖြင့် ၎င်းကို စမ်းသပ်ခဲ့သည်။ စမ်းသပ်မှု အောင်မြင်ခဲ့ပြီး 6 မိနစ်အတွင်း ဖွင့်ထားတဲ့ အခန်းတွေရဲ့ 80% ကို ဒရုန်း ၆ ကောင်က စူးစမ်းလေ့လာခဲ့ပါတယ်။ ဒီအလုပ်ဟာ ဒရုန်းတစ်ခုတည်းနဲ့ မဖြစ်နိုင်ပါဘူး။ 

သေးငယ်သော ဒရုန်းများစွာရှိခြင်း၏ နောက်ထပ်အားသာချက်တစ်ခုမှာ ချွတ်ယွင်းချက်တစ်ခုသည် ပုံတစ်ပုံကို ပြန်ယူရန် ပျက်ကွက်ပါက၊ တူညီသော အချက်အလက်များစွာရှိသည့် အခြားအရာများစွာလည်း ရှိသေးသည်။ ဒရုန်းတစ်စင်းသည် သားကောင်ကိုတွေ့ရှိသော်လည်း ရုပ်ပုံပျောက်ဆုံးသွားကာ အခြားဒရုန်းတစ်စီးက ၎င်းနှင့်အတူ ပြန်လာသောအခါ ၎င်းကို စမ်းသပ်မှုတွင် ပြသခဲ့သည်။ 

အကြီးမားဆုံးစိန်ခေါ်မှုများ

Kimberly McGuire သည် ပရောဂျက်တွင် လုပ်ကိုင်ခဲ့သော PhD ကျောင်းသားတစ်ဦးဖြစ်သည်။ 

"အစုအဝေးရှာဖွေရေးတွင် အကြီးမားဆုံးစိန်ခေါ်မှုမှာ ဒရုန်းများ၏တစ်ဦးချင်းထောက်လှမ်းရေးအဆင့်တွင်ဖြစ်သည်" ဟု McGuire ကဆိုသည်။ “ပရောဂျက်အစမှာ၊ အလျင်ကိုထိန်းချုပ်ဖို့နဲ့ အတားအဆီးတွေကို ရှောင်ရှားခြင်းစတဲ့ အခြေခံပျံသန်းမှုစွမ်းရည်တွေကို ရရှိဖို့ အာရုံစိုက်ထားပါတယ်။ အဲဒီနောက်မှာတော့ သေးငယ်တဲ့ ဒရုန်းတွေကို တစ်ယောက်နဲ့တစ်ယောက် ထောက်လှမ်းရှောင်ရှားနိုင်ဖို့ နည်းလမ်းတစ်ခုကို တီထွင်ခဲ့ပါတယ်။ ဒရုန်းတစ်ခုစီတွင် ကြိုးမဲ့ဆက်သွယ်ရေး ချစ်ပ်တစ်ခုစီဆောင်ထားပြီးနောက် ဤချစ်ပ်များကြားတွင် အချက်ပြအားကိုအသုံးပြုခြင်းဖြင့် ၎င်းကိုဖြေရှင်းခဲ့သည် — ၎င်းသည် သင့်အိမ်ရှိ WiFi router မှထွက်ခွာသည့်အခါ သင့်ဖုန်းတွင်ပြသထားသည့်ဘားနံပါတ်များလျော့နည်းသွားခြင်းကဲ့သို့ဖြစ်သည်။ ဒီနည်းလမ်းရဲ့ အဓိက အားသာချက်ကတော့ ဒရုန်းမှာ အပို hardware မလိုအပ်ဘဲ တွက်ချက်မှု အလွန်နည်းပါးတာကြောင့် ဖြစ်ပါတယ်။”

အဆိုပါ စက်ရုပ်သေးသေးလေးများကို တီထွင်ရာတွင် အခက်ခဲဆုံးအပိုင်းမှာ အလိုအလျောက် လမ်းကြောင်းပြခြင်း ဖြစ်သည်။ လုံးဝမသိသော ပတ်ဝန်းကျင်ကို သွားလာရန် စက်ရုပ်ငယ်လေးများ အုပ်စုဖွဲ့ရန် အလွန်ခက်ခဲပါသည်။ ဤသည်မှာ သုတေသီများသည် စံပြအဖြစ် အင်းဆက်ပိုးမွှားများအဖြစ် ပြောင်းလဲလာရခြင်း၏ အဓိကအကြောင်းအရင်းဖြစ်သည်။ ၎င်းတို့သည် ၎င်းတို့နှင့် ပတ်သက်၍ ယခင်က မသိဘဲ ပတ်ဝန်းကျင်ကို မကြာခဏ သွားလာလေ့ရှိသည်။ 

“လမ်းကြောင်းသစ်ကို အခြေခံတဲ့ အဓိက အိုင်ဒီယာကတော့ ကျွန်တော်တို့ရဲ့ လမ်းကြောင်းရှာဖွေရေး မျှော်လင့်ချက်တွေကို လွန်ကဲစွာ လျှော့ချဖို့ပါပဲ၊ အခြေစိုက်စခန်းဆီ ပြန်သွားနိုင်ဖို့ စက်ရုပ်တွေပဲ လိုအပ်ပါတယ်” ဟု စီမံကိန်း၏ အဓိက စုံစမ်းစစ်ဆေးသူ Guido de Croon က ပြောကြားခဲ့သည်။ “စက်ရုပ်တစ်ရုပ်လုံးသည် မတူညီသော နှစ်သက်ရာ ဦးတည်ရာကို လိုက်လျှောက်ခြင်းဖြင့် စက်ရုပ်တစ်ရုပ်လုံးသည် ပတ်ဝန်းကျင်သို့ ပျံ့နှံ့သွားပါသည်။ စူးစမ်းလေ့လာပြီးနောက်၊ စက်ရုပ်များသည် အခြေစိုက်စခန်းရှိ ကြိုးမဲ့မီးရှူးတန်ဆောင်သို့ ပြန်သွားကြသည်။”

ဤတီထွင်မှုအသစ်သည် စက်ရုပ်များမှထွက်ရှိသော အများအပြားထဲမှတစ်ခုသာဖြစ်သည်။ Swarm စက်ရုပ်များသည် ဖြစ်နိုင်ခြေအသစ်များစွာကို ဖွင့်ပေးသည့် အရေးကြီးသောနယ်ပယ်တစ်ခုဖြစ်သည်။

 

Alex McFarland သည် AI ဂျာနယ်လစ်တစ်ဦးဖြစ်ပြီး ဉာဏ်ရည်တုဆိုင်ရာ နောက်ဆုံးပေါ်တိုးတက်မှုများကို ရှာဖွေနေသော စာရေးဆရာဖြစ်သည်။ သူသည် ကမ္ဘာတစ်ဝှမ်းရှိ AI startup များနှင့် ထုတ်ဝေမှုများ အများအပြားနှင့် ပူးပေါင်းဆောင်ရွက်ခဲ့သည်။