แมลงปอพร้อมอุปกรณ์ Search และ Rescue ที่มี AI

นักวิจัยด้านหุ่นยนต์ระหว่างประเทศได้พัฒนาระบบ Urban Search And Rescue (USAR) ที่ใช้แมลงปอ ‘ที่สามารถควบคุมได้’ เพื่อขนส่งระบบตรวจจับผู้รอดชีวิตด้วยอินฟราเรดที่มีเครื่องมือ Machine Learning ที่มีขนาดเล็กผ่านสถานการณ์อันตรายที่ไม่สามารถเข้าถึงได้

ระบบนี้เป็นความร่วมมือระหว่างภาควิจัยในประเทศสิงคโปร์ จีน เยอรมนี และสหราชอาณาจักร โดยใช้แมลงปอจากมาดากัสการ์เป็นพาหนะ และมีพลังงานเพียงพอในการทำงานเป็นเวลาหลายชั่วโมง

Source: https://arxiv.org/abs/2105.10869

ระบบการช่วยเหลือแบบผสมผสานนี้มีโมเดล Machine Learning สำหรับการตรวจจับผู้รอดชีวิตที่ได้รับการฝึกอบรมจากภาพอินฟราเรด (IR) และให้พลังงานแก่ระบบตรวจจับผู้รอดชีวิตแบบอินฟราเรดที่สามารถทำงานอัตโนมัติได้ตามความจำเป็น โดยรายงานผู้รอดชีวิตที่พบกลับไปยังสถานีควบคุม

ทรัพยากรท้องถิ่นที่จำกัด

เฟรมเวิร์ก Machine Learning ต้องการให้ทำงานบนทรัพยากรที่จำกัดมาก: มีเพียง 191.8kB ของ RAM สถิติและ 1988kB ของหน่วยความจำ Flash ที่เหลือสำหรับระบบจากความต้องการพลังงานทั่วไปของอุปกรณ์ ซึ่งต้องให้กระแสไฟฟ้ากระตุ้นให้แมลงปอ

สามบล็อกการทำงานของกระเป๋าสะพายหลังของแมลงปอแสดงด้านบน ได้แก่ การกระตุ้นไร้สาย หน่วยควบคุมหลัก และส่วนประกอบเสริม โดยมีระบบ Machine Learning ที่ได้มาจากอินฟราเรดและฟังก์ชันการนำทางฝังอยู่ในหน่วยควบคุมหลัก ส่วนวงจรของอุปกรณ์ถูกแบ่งออกเป็นหลายส่วนเพื่อให้เหมาะสมกับเรขาคณิตของแมลงปอ

แมลงปอจากมาดากัสการ์ (หนึ่งใน สปีชีส์ที่ใหญ่ที่สุด ในโลก โดยมีความจุหนักมากถึง 15g) ถูกควบคุมโดยการกระตุ้นไฟฟ้าขนาดเล็กที่ชี้นำไปในทิศทางหนึ่งหรืออีกทิศทางหนึ่ง โดยใช้ขั้วไฟฟ้าสี่ขั้วที่ฝังอยู่ในหนวด (cerci) และท้องของแมลงปอ ขั้วไฟฟ้าถูกยึดด้วยน้ำมันผึ้ง

การเพิ่ม AI ในการค้นหาและช่วยเหลือแมลงปอ

โครงการใหม่นี้พัฒนาต่อยอดจากงานก่อนหน้าของ UC Berkeley และ Nanyang Technological University ของสิงคโปร์ ซึ่งได้เสนอแนวคิดเรื่อง การใช้แมลงปอที่สามารถควบคุมได้ ในสถานการณ์การค้นหาและช่วยเหลือ

2016 การวิจัยเกี่ยวกับการควบคุมเส้นทางบินของแมลงปอ. Source: https://www.youtube.com/watch?v=iljHXpE4LG8

แม้ว่าแมลงปอมีความสามารถบินเพิ่มเติม แต่ความจุหนักของมันลดลง ทำให้ความสามารถของเทคโนโลยีบนเครื่องบินลดลง และทำให้ความต้องการพลังงานเพิ่มขึ้น โดยเฉพาะอย่างยิ่งในกรณีที่จำเป็นต้องใช้แอลกอริทึม Machine Learning

ระบบตรวจจับผู้รอดชีวิตแบบอัตโนมัติบนเครื่องบินใหม่นี้ใช้โมเดลการจำแนกภาพโดยใช้ support vector machine (SVM) และ Histogram of Oriented Gradients

การเคลื่อนไหวของแมลงปอถูกชี้นำโดยระบบการนำทางแบบผสมผสาน และชี้นำ ‘biobot’ ไปยังจุดหมายปลายที่กำหนดไว้ล่วงหน้าโดยไม่ต้องมีความรู้เกี่ยวกับอุปสรรคที่อยู่ระหว่างทาง ส่วนใหญ่แล้ว ทักษะการนำทางที่น่าประทับใจของแมลงปอจะช่วยแก้ปัญหาในการไปถึงที่ตั้งที่ไม่สามารถเข้าถึงได้

Source: https://arxiv.org/abs/2105.10869

ระบบอินฟราเรดบนเครื่องบินจับภาพที่ 1Hz โดยทำงานได้สำเร็จในพื้นที่มืด และรายงานผู้รอดชีวิตที่พบกลับไปยังสถานีควบคุมในเวลาจริง เพื่อประหยัดพลังงาน ระบบวิเคราะห์ภาพจะเริ่มทำงานเฉพาะเมื่อได้รับการกระตุ้นจากอ่านอินฟราเรดที่เป็นบวก

โมเดลนี้ใช้พื้นที่เพียง 18.3kB ของ Flash memory และ 52.2kB ของ RAM สถิติ โดยมีเวลาประมวลผล 95 มิลลิวินาที เวลาประมวลผลที่เหมาะสมเป็นสิ่งจำเป็นในสถานการณ์การค้นหาและช่วยเหลือ เนื่องจากสัญญาณอินฟราเรดที่อยู่ห่างไกลอาจพลาดไปในระหว่างการประมวลผลเมื่อแมลงปอเปลี่ยนทิศทางและเคลื่อนที่ผ่านภูมิประเทศ

ระบบนี้ยังมีเซ็นเซอร์สำหรับตรวจจับอุณหภูมิ ความชื้น และ CO2 เพื่อรายงานสภาพท้องถิ่นสำหรับการช่วยเหลือที่อาจเกิดขึ้น และเพื่อให้สถานีควบคุมสามารถชี้นำสิ่งมีชีวิตให้ห่างจากสถานการณ์ที่อาจเป็นอันตราย

การทดสอบในพื้นที่จำลอง

ระบบนี้ได้รับการทดสอบในสถานการณ์ภัยพิบัติที่จำลองขึ้น (ภาพด้านบน) โดยมีการเจรจาอุปสรรคที่มีประสิทธิภาพ ยกเว้นในบางการกำหนดค่าที่ท้าทายเป็นพิเศษที่เกี่ยวข้องกับการปีนเขา เนื่องจากแมลงปอมีข้อเสียในเรื่องน้ำหนักเนื่องจากอุปกรณ์ที่ติดอยู่

สถาปัตยกรรมการนำทางในตอนแรกมีแนวโน้มที่จะติดอยู่ที่อุปสรรคที่ท่วมท้น เช่น สถานการณ์ที่แมลงปอไม่สามารถไปต่อได้ และนักวิจัยได้พัฒนาระบบการนำทางแบบคาดการณ์แบบป้อนกลับเพื่อปรับปรุงประสิทธิภาพเมื่อเผชิญกับอุปสรรคที่สูง ระบบนี้สามารถบรรลุอัตราความสำเร็จ 100% ในสภาพแวดล้อมที่ไม่มีอุปสรรคหรือมีอุปสรรคต่ำ และมีอัตราความสำเร็จที่สูงขึ้นเมื่อมีอุปสรรคที่สูง

เมื่อเกิดความล้มเหลว นักวิจัยสรุปว่าสิ่งนี้สามารถบรรเทาได้โดยการเพิ่มระยะเวลาของการทดลอง แม้ว่าสิ่งนี้จะมีผลกระทบในสถานการณ์การค้นหาและช่วยเหลือที่มีความสำคัญ

มุมมองอินฟราเรด

กล้องอินฟราเรดบนเครื่องบินมีคุณสมบัติที่เหมาะสม โดยทำงานที่ 32×32 พิกเซลพร้อมมุมมอง 90 องศา ภาพถูกส่งผ่านตัวกรองลดรอยด่าง

ระบบนี้บรรลุอัตราความสำเร็จ 87% ในการแยกแยะผู้รอดชีวิตจากสัญญาณอินฟราเรดอื่นๆ โดยเพิ่มขึ้นเป็น 90% เมื่ออยู่ในระยะใกล้ 0.5m และ 1.5m

เนื่องจากข้อจำกัดด้านพลังงานและขนาดของชิป การศึกษาครั้งแรกนี้ไม่มีระบบการกำหนดตำแหน่งบนเครื่องบิน และดังนั้นจึงไม่สามารถติดตามตำแหน่งของแมลงปอในเวลาจริงได้ นักวิจัยแนะนำว่าระบบการกำหนดตำแหน่งแบบ dead reckoning สามารถนำมาใช้เป็นวิธีแก้ปัญหาที่ประหยัดพลังงาน โดยมีสัญญาณตำแหน่งที่มีพลังงานต่ำส่งกลับไปยังสถานีควบคุมในอนาคต

แมลงปอเป็นผู้ดำเนินการค้นหาและช่วยเหลือ

ในช่วงสิบปีที่ผ่านมา มีหลายโครงการวิจัยที่พยายามใช้ความทนทานและความสามารถในการนำทางของแมลงปอเพื่อสร้างระบบหุ่นยนต์หรือระบบผสมผสานสำหรับการค้นหาและช่วยเหลือ นอกจากโครงการที่เกี่ยวข้องกับแมลงปอในปี 2016 ซึ่งนำหน้าโครงการใหม่นี้แล้ว ยังมีหลายโครงการที่พยายามสร้างความสามารถของแมลงปอในรูปแบบหุ่นยนต์อย่างบริสุทธิ์

โครงการเหล่านี้รวมถึง โครงการวิจัยในปี 2019 จาก UoC ซึ่งนำเสนอหุ่นยนต์ที่มีความเรียบง่ายตามหลักการของแมลงปอ ซึ่งเป็นหนึ่งในโครงการแรกที่มุ่งแก้ไขความอ่อนแอของหุ่นยนต์แมลงปอ