വസ്തുക്കൾ കണ്ടെത്താനും ട്രാക്കുചെയ്യാനും അണ്ടർവാട്ടർ റോബോട്ടുകളെ Reinforcement Learning സഹായിക്കുന്നു
Deep Reinforcement Learning അണ്ടർവാട്ടർ ഓട്ടോണമസ് വാഹനങ്ങളെയും റോബോട്ടുകളെയും വസ്തുക്കളെയും സമുദ്ര മൃഗങ്ങളെയും കൃത്യമായി കണ്ടെത്താനും ട്രാക്കുചെയ്യാനും പ്രാപ്തമാക്കുന്നു. യുപിസിയുടെ കമ്പ്യൂട്ടർ സയൻസ് വിഭാഗത്തിലെ പ്രൊഫസർ മരിയോ മാർട്ടിൻ ഉൾപ്പെടെയുള്ള ഒരു സംഘം ഗവേഷകർ ഇത് ആദ്യമായി തെളിയിച്ചു.
യൂണിവേഴ്സിറ്റി പൊളിറ്റെക്നിക്ക ഡി കാറ്റലുനിയ – ബാഴ്സലോണടെക്കിലെ (യുപിസി) ബാഴ്സലോണ സ്കൂൾ ഓഫ് ഇൻഫോർമാറ്റിക്സിൽ (എഫ്ഐബി) പഠിപ്പിക്കുന്ന കമ്പ്യൂട്ടർ സയൻസ് വിഭാഗത്തിലെ പ്രൊഫസർ മരിയോ മാർട്ടിനും മറ്റ് ശാസ്ത്രജ്ഞരും അടങ്ങുന്ന ഒരു ഗവേഷണ സംഘം ആദ്യമായി Deep Reinforcement Learning – പ്രതിഫലങ്ങളുടെ ഒരു പരമ്പരയെ അടിസ്ഥാനമാക്കി ഓരോ നിമിഷവും മികച്ച പ്രവർത്തനം പഠിക്കുന്ന ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് – വെള്ളത്തിനടിയിലെ സ്വയംഭരണ വാഹനങ്ങളെയും റോബോട്ടുകളെയും വസ്തുക്കളെയും ശ്രദ്ധാപൂർവ്വം ട്രാക്കുചെയ്യാനും അനുവദിക്കുന്നു എന്ന് ആദ്യമായി തെളിയിച്ചു. സമുദ്ര മൃഗങ്ങൾ. റോബോട്ടിക് മേഖലയിലെ പ്രമുഖ ശാസ്ത്ര ജേണലായ സയൻസ് റോബോട്ടിക്സിൽ പ്രസിദ്ധീകരിച്ച പ്രബന്ധത്തിലാണ് വിശദാംശങ്ങൾ റിപ്പോർട്ട് ചെയ്തിരിക്കുന്നത്.
ബാഴ്സലോണയിലെ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് മറൈൻ സയൻസസിന്റെ (ഐസിഎം-സിഎസ്ഐസി) നേതൃത്വത്തിലുള്ള സംഘത്തിൽ ഐസിഎം, ജിറോണ സർവകലാശാല (യുഡിജി), കാലിഫോർണിയയിലെ മോണ്ടെറി ബേ അക്വേറിയം റിസർച്ച് ഇൻസ്റ്റിറ്റ്യൂട്ട് (എംബിആർഐ) എന്നിവിടങ്ങളിൽ നിന്നുള്ള ഗവേഷകരും ഉൾപ്പെടുന്നു.
4,000 മീറ്റർ വരെ ആഴത്തിലേക്ക് ഇറങ്ങാൻ കഴിവുള്ള വാഹനങ്ങൾ ഉപയോഗിച്ച് സമുദ്രങ്ങളെ പര്യവേക്ഷണം ചെയ്യുന്നതിലെ നിരവധി ബുദ്ധിമുട്ടുകൾക്കിടയിലും അവയെക്കുറിച്ചുള്ള അറിവ് മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു പ്രധാന ഉപകരണമായി അണ്ടർവാട്ടർ റോബോട്ടിക്സ് നിലവിൽ ഉയർന്നുവരുന്നു. കൂടാതെ, അവർ നൽകുന്ന ഓൺ-സൈറ്റ് ഡാറ്റ ഉപഗ്രഹങ്ങളിൽ നിന്ന് ലഭിച്ചതുപോലുള്ള മറ്റ് ഡാറ്റയെ പൂരിപ്പിക്കാൻ സഹായിക്കുന്നു. കാലാവസ്ഥാ വ്യതിയാനം നിയന്ത്രിക്കാൻ സഹായിക്കുന്ന സമുദ്രജീവികൾ പിടിച്ചെടുക്കുന്ന കാർബൺ ഡൈ ഓക്സൈഡ് പോലുള്ള ചെറിയ തോതിലുള്ള പ്രതിഭാസങ്ങൾ പഠിക്കാൻ ഈ സാങ്കേതികവിദ്യ സാധ്യമാക്കുന്നു.
പ്രത്യേകിച്ചും, നിയന്ത്രണത്തിലും റോബോട്ടിക്സിലും ചാറ്റ്ജിപിടി പോലുള്ള നിലവിലെ സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് ഉപകരണങ്ങളുടെ വികസനത്തിലും വ്യാപകമായി ഉപയോഗിക്കുന്ന Reinforcement Learning, ഒരു നിർദ്ദിഷ്ട ലക്ഷ്യം നേടുന്നതിന് ഓരോ നിമിഷവും എന്ത് പ്രവർത്തനങ്ങൾ ചെയ്യണമെന്ന് പഠിക്കാൻ അണ്ടർവാട്ടർ റോബോട്ടുകളെ അനുവദിക്കുന്നുവെന്ന് ഈ കൃതി വെളിപ്പെടുത്തുന്നു. ഈ പ്രവർത്തന നയങ്ങൾ ചില സാഹചര്യങ്ങളിൽ വിശകലന വികസനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പരമ്പരാഗത രീതികളുമായി പൊരുത്തപ്പെടുകയോ മെച്ചപ്പെടുത്തുകയോ ചെയ്യുന്നു.
“ഇത്തരത്തിലുള്ള പഠനം ഒരു ന്യൂറൽ നെറ്റ് വർക്കിനെ പരിശീലിപ്പിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു, അല്ലാത്തപക്ഷം നേടാൻ വളരെ ബുദ്ധിമുട്ടുള്ള ഒരു നിർദ്ദിഷ്ട ജോലി ഒപ്റ്റിമൈസ് ചെയ്യാൻ. ഉദാഹരണത്തിന്, വെള്ളത്തിനടിയിൽ നീങ്ങുന്ന വസ്തുക്കളെ കണ്ടെത്താനും ട്രാക്കുചെയ്യാനും ഒരു വാഹനത്തിന്റെ സഞ്ചാരപഥം ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയുമെന്ന് തെളിയിക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞു,” പഠനത്തിന്റെ പ്രധാന രചയിതാവ് ഇവാൻ മസ്മിത്ജ വിശദീകരിക്കുന്നു.
അഡാപ്റ്റീവ് ഓട്ടോണമസ് റോബോട്ടുകൾ ഉപയോഗിച്ച് കുടിയേറ്റം അല്ലെങ്കിൽ നിരവധി സമുദ്ര ജീവികളുടെ ചെറുതും വലുതുമായ ചലനം പോലുള്ള പാരിസ്ഥിതിക പ്രതിഭാസങ്ങളെക്കുറിച്ചുള്ള പഠനം ആഴത്തിലാക്കാൻ ഇത് ഞങ്ങളെ അനുവദിക്കും. കൂടാതെ, ഈ മുന്നേറ്റങ്ങൾ റോബോട്ടുകളുടെ ശൃംഖലയിലൂടെ മറ്റ് സമുദ്രശാസ്ത്ര ഉപകരണങ്ങളുടെ തത്സമയ നിരീക്ഷണം പ്രാപ്തമാക്കും, അവയിൽ ചിലത് ഉപരിതല നിരീക്ഷണത്തിൽ തുടരാനും ഉപഗ്രഹം വഴി അണ്ടർവാട്ടർ റോബോട്ടിക് പ്ലാറ്റ്ഫോമുകളുടെ പ്രവർത്തനങ്ങൾ റിപ്പോർട്ട് ചെയ്യാനും കഴിയും,” പഠനത്തിൽ പങ്കെടുത്ത ഐസിഎം-സിഎസ്ഐസി ഗവേഷകൻ ജോവാൻ നവാരോ ചൂണ്ടിക്കാണിക്കുന്നു.
പഠനത്തിന്റെ വിജയം റേഞ്ച് അക്കൗസ്റ്റിക്സ് ടെക്നിക്കുകളുടെ ഉപയോഗത്തെ ആശ്രയിച്ചിരിക്കുന്നു, ഇത് വ്യത്യസ്ത പോയിന്റുകളിൽ എടുത്ത ദൂര അളവുകളെ അടിസ്ഥാനമാക്കി ഒരു വസ്തുവിന്റെ സ്ഥാനം കണക്കാക്കാൻ അനുവദിക്കുന്നു. എന്നിരുന്നാലും, ഇത് വസ്തുവിനെ കണ്ടെത്തുന്നതിനുള്ള കൃത്യതയെ അക്കൗസ്റ്റിക് റേഞ്ച് അളവുകൾ എടുക്കുന്ന സ്ഥലത്തെ വളരെയധികം ആശ്രയിച്ചിരിക്കുന്നു. ഇവിടെയാണ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ പ്രയോഗവും, പ്രത്യേകിച്ച്, Reinforcement Learning, ഇത് മികച്ച പോയിന്റുകൾ തിരിച്ചറിയാൻ അനുവദിക്കുന്നു, അതിനാൽ റോബോട്ട് നിർവഹിക്കേണ്ട ഒപ്റ്റിമൽ പാത പ്രാധാന്യമർഹിക്കുന്നു.
സ്പെയിനിലെ ഏറ്റവും ശക്തമായ സൂപ്പർ കമ്പ്യൂട്ടറും യൂറോപ്പിലെ ഏറ്റവും ശക്തവുമായ സൂപ്പർ കമ്പ്യൂട്ടർ സ്ഥിതിചെയ്യുന്ന ബാഴ്സലോണ സൂപ്പർ കമ്പ്യൂട്ടിംഗ് സെന്റർ-സെൻട്രോ നാഷനൽ ഡി സൂപ്പർകോംപ്യൂട്ടാസിയോൺ (ബിഎസ്സി-സിഎൻഎസ്) ലെ കമ്പ്യൂട്ടർ ക്ലസ്റ്റർ ഉപയോഗിച്ച് ന്യൂറൽ നെറ്റ് വർക്കുകൾക്ക് ഭാഗികമായി പരിശീലനം നൽകി. “പരമ്പരാഗത കമ്പ്യൂട്ടറുകൾ ഉപയോഗിക്കുന്നതിനേക്കാൾ വളരെ വേഗത്തിൽ നിരവധി അൽഗോരിതങ്ങളുടെ പാരാമീറ്ററുകൾ ക്രമീകരിക്കാൻ ഇത് സാധ്യമാക്കി,” രചയിതാക്കളിൽ ഒരാളായ യുപിസി പ്രൊഫസർ മരിയോ മാർട്ടിൻ സൂചിപ്പിക്കുന്നു.
പരിശീലനം ലഭിച്ചുകഴിഞ്ഞാൽ, ജിറോണ സർവകലാശാലയിലെ കമ്പ്യൂട്ടർ വിഷൻ ആൻഡ് റോബോട്ടിക്സ് റിസർച്ച് ഇൻസ്റ്റിറ്റ്യൂട്ട് (വികോറോബ്) വികസിപ്പിച്ചെടുത്ത എയുവി സ്പാറസ് 2 ഉൾപ്പെടെ നിരവധി സ്വയംഭരണ വാഹനങ്ങളിൽ അൽഗോരിതം പരീക്ഷിച്ചു, സെന്റ് ഫെലിയു ഡി ഗ്വിക്സോൾസ് തുറമുഖത്ത്, ബെയ്ക്സ് എംപോർഡ, മോണ്ടെറി ബേ (കാലിഫോർണിയ) എന്നിവിടങ്ങളിൽ നടത്തിയ പരീക്ഷണ ദൗത്യങ്ങളിൽ, എംബാരിയിലെ ബയോ ഇൻസ്പിരേഷൻ ലാബിന്റെ പ്രധാന അന്വേഷകനുമായി സഹകരിച്ച്. കകനി കതിജ.
ഭാവി ഗവേഷണത്തിനായി, കൂടുതൽ സങ്കീർണ്ണമായ ദൗത്യങ്ങൾ പരിഹരിക്കുന്നതിന് അതേ അൽഗോരിതങ്ങൾ പ്രയോഗിക്കാനുള്ള സാധ്യത ടീം പഠിക്കും. ഉദാഹരണത്തിന്, മൾട്ടിപ്ലാറ്റ്ഫോം Reinforcement Learning സാങ്കേതികതകളിലൂടെ വസ്തുക്കൾ കണ്ടെത്തുന്നതിനും ഫ്രണ്ടുകളും തെർമോക്ലൈനുകളും അല്ലെങ്കിൽ ആൽഗകളും കണ്ടെത്തുന്നതിനും ഒന്നിലധികം വാഹനങ്ങളുടെ ഉപയോഗം സഹകരണത്തോടെ വികസിക്കുന്നു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
