Hızlı Çarpışma Dedektörü, Robotları Daha İyi Yardımcılar Yapabilir

California San Diego Üniversitesi’nden elektrik mühendisleri, geliştirdikleri hızlı çarpışma algoritması ile robotların her türlü duruma daha çabuk adapte olmalarını sağlayacak. ”Fastron” isimli algoritma, hali hazırda bulunan diğer algoritmalardan 8 kat daha hızlı çalışıyor.

Elektrik ve bilgisayar mühendisliği profesörü ve San Diego’daki Contextual Institute’ün üyesi Michael Yip önderliğindeki mühendis ekibi, 13-15 Kasım arasında algoritmayı Google’ın merkezi Mountain View’daki Robot Learning konferansında tanıtacak. Sadece davet ile giriş yapılabilen konferans, en üst düzey akıllı makine bilim insanlarını ağırlayacak.

Ekibin öngörüsüne göre Fastron, insanlarla etkileşimde bulunulan alanlarda kullanılabilecek. Algoritma sayesinde robotlar akıcı bir şekilde etraflarında hareket eden nesnelere uyum sağlayabilecek. Ekibin keşfetmeye çalıştığı bir diğer uygulama ise, da Vinci Cerrahi Sistemi olarak adlandırılan sistemin otomatik olarak bazı işlevleri yerine getirmesi (emme, sulama veya dokuyu geri çekme). Bu gerçekleştirilirse cerrahin müdahalesi olmadan robotlar bazı işlemleri yerine getirebilecek.

Yip bu konuda ”Bu algoritma ile robot asistan cerrahi işlemlerde güvenle kullanılabilir” dedi.

Ekibin vizyonuna göre Fastron, evlerde kullanılacak robotlarda, bilgisayar grafiklerinde ve hatta film endüstrisinde dahi kullanılabilecek.

Günümüzde bulunan algoritmalarla ilgili en büyük problem, hesaplama işlemlerindeki ağırlık. Bu algoritmalar robotun hareketini sağlayamadan önce farklı olasılık hesapları yapıyorlar ve bunda belli bir zaman kaybı ortaya çıkıyor. Hareketli nesneler söz konusu olduğunda ise hesaplama konusundaki hız talebi artıyor.

Yip ve ekibi, San Diego’daki Advanced Robotics and Controls Lab (ARClab)’te çarpışma algılama konusunda minimalistik bir yöntem geliştirdiler. Bu araştırma sonucunda ortaya çıkarılan Fastron, machine learning stratejilerini (geleneksel olarak obje sınıflandırmada yararlanılıyor) kullanarak dinamik çevrelere göre kendini düzenleyebiliyor. Yip’in ekibinden elektrik mühendisi öğrencisi Nikhil Das bu konuda ”tek bilmemiz gereken robotun şu anki pozisyonunun çarpışma konumunda olup olmadığı” dedi.

Fast ve Perceptron kelimelerinin birleşiminden oluşan Fastron, akıllı makinelerde sınıflandırma için kullanılan tekniklerden biri. Fastron’u önemli kılan şey ise, akıllı makineler topluluğundaki sorunlardan biri olan sınıflandırmalar konusundaki sınırların, güncellemeler sayesinde azaltılması.

Fastron’un aktif öğrenim stratejisi geri bildirim döngüsüyle çalışıyor. Fastron, robotun yapılandırma alanı ile ilgili bir model yaratarak, robotun ulaşabileceği muhtemel pozisyonları gösteriyor. Algoritma daha sonra sınıflandırma sınırlarını belirleyerek, çarpışma olabilecek veya olamayacak noktaları hesaplıyor. Eğer nesne hareket ederse, sınıflandırma sınırları değişiyor. Diğer algoritmalarda bulunan ve noktaya ulaşıldıktan sonra hesap yapan sistemden ziyade Fastron, akıllı bir şekilde sınırlara ulaşmadan önce gerekli hesaplamaları yapıyor. Çarpışma olabilecek veya olamayacak noktaların hesabını yaptıktan sonra algoritma, sınıflandırmayı güncelliyor ve döngüye devam ediyor.

Araştırmacılar çarpışma noktalarını daha muhafazakar olarak belirlediklerinden dolayı, Fastron’un modelleri çok daha basitleştirilmiş. Sadece birkaç nokta, bütün alanı temsil ediyor. Das’ın açıklamasına göre iki nokta arasında olacaklar her zaman belli değil, ve bundan dolayı da ekip iki nokta arasındaki çarpışma olasılıkları için tahmin yürütecek bir algoritma geliştirmiş. Das bu konuda ”Burada yaptığımız risk almayan ve çalışma alanındaki nesnelere uyum sağlayan bir model oluşturmak” dedi. Bu algoritma ile cerrahi gibi hassas işlerde kullanılan robotlar ve ev işlerinde kullanılacak robotlar, insanlara daha fazla yardım edebilirler.

Ekip bilgisayarda yaptıkları simülasyon ile algoritmanın robot ve nesnelerdeki davranışlarını gösterdiler. Ekibin sıradaki hedefi, Fastron’un hızını ve doğruluğunu artırmak. Ekip aynı zamanda Fastron’u robotik cerrahi ve ev içi kullanım için geliştirmeye devam edecek.