ربات‌های نسل جدید مانند مورچه‌ها حرکت می‌کنند و می‌توانند در عملیات نجات در بلایای طبیعی شرکت کنند.

پروفسور هو-یانگ کیم، بر اساس این اصل که مورچه‌ها می‌توانند پل بسازند، Linkbot را توسعه داد - یک مدل ربات کوچک که با لرزش حرکت می‌کند و به صورت زنجیره‌ای به هم متصل می‌شود.

در «سخنرانی الهام‌بخش: فناوری پیشرفته آینده» - رویداد افتتاحیه هفته علم و فناوری VinFuture 2025 - پروفسور هو-یانگ کیم (دانشگاه ملی سئول) نسل جدید تحقیقات رباتیک مبتنی بر «هوش فیزیکی خودجوش» را معرفی کرد.

پروفسور هو-یانگ کیم، مدل ربات نسل جدیدی را معرفی می‌کند که مبتنی بر «هوش فیزیکی خودجوش» است.

هو-یانگ کیم در کودکی عاشق تماشای گیاهان باغچه‌اش، مشاهده مورچه‌ها و کنجکاوی در مورد ریتم و هوش طبیعت بود.

پروفسور هو-یانگ کیم گفت: « این رویدادهای طبیعی مرا کنجکاو کرد و الهام‌بخش من شد تا مهندسی شوم که در مورد هوش فیزیکی تحقیق می‌کند. ربات‌های سنتی انرژی و مواد زیادی مصرف می‌کنند، در حالی که طبیعت هوش ساده اما مؤثری دارد، مانند پرواز پرندگان بدون چراغ راهنمایی، یا یافتن مواد مغذی توسط ریشه درختان بدون نقشه... ».

به گفته پروفسور کیم، ربات‌های آینده برای عملکرد هوشمندانه به داده‌های عظیم یا الگوریتم‌های پیچیده نیازی ندارند. آن‌ها فقط باید به درستی طراحی شوند تا بتوانند از نظر فیزیکی با محیط تعامل داشته باشند.

کیم با تکیه بر این اصل که مورچه‌ها می‌توانند از طریق تعاملات هماهنگ بین افراد، پل و قایق بسازند، Linkbot را توسعه داد - یک ربات کوچک به اندازه انگشت که با لرزش حرکت می‌کند و ساختاری دارد که به آنها اجازه می‌دهد به صورت زنجیره‌ای به هم متصل شوند. وقتی به تنهایی کار می‌کنند، به صورت تصادفی حرکت می‌کنند، اما وقتی به هم متصل می‌شوند، ساختار جمعی Linkbotها یک جهت حرکت واضح و هدفمند ایجاد می‌کند.

پروفسور هو-یانگ کیم تحلیل کرد: « هر ربات مانند یک مورچه است، بسیاری از ربات‌ها هوش جمعی خواهند داشت. تنها با تغییر «زاویه اتصال» بین ربات‌ها، سیستم می‌تواند رفتارهای بسیار متفاوتی از خود نشان دهد: مسدود کردن شکاف‌ها، عبور از شکاف‌ها، حرکت سریع در کانال‌های باریک، دنبال کردن لبه دیوارها یا پیچیدن دور اشیاء برای کشیدن و هل دادن در جهات مختلف .»

به گفته این متخصص، مکانیزم شکل‌گیری رفتار لینک‌بات کاملاً مبتنی بر تعامل فیزیکی است، بدون اینکه نیازی به برنامه‌ریزی مسیر جداگانه برای هر ربات باشد.

تحقیقات پروفسور کیم علاوه بر شبیه‌سازی حشرات، هوش فیزیکی گیاهان - موجوداتی بدون عضله اما با جهت‌گیری رشد دقیق - را نیز بازسازی می‌کند.

آقای کیم گفت: « بسیاری از گیاهان ساختارهای «رشد نوک» ایجاد می‌کنند که فقط در نوک نرم سلول رشد می‌کنند، در حالی که قسمت پایینی ساقه سفت و سخت است. این مکانیسم به ریشه‌ها یا لوله‌های گرده گیاه کمک می‌کند تا بدون شکستن از محیط‌های متراکم عبور کنند و همچنین هنگام برخورد با موانع، خود را تغییر مسیر دهند. از آنجا، ما یک ماده رباتیک با هسته ایجاد کردیم که هنگام برخورد با آب سفت می‌شود و یک ساقه سفت و سخت ایجاد می‌کند، اما نوک ساقه را برای ادامه رشد نرم نگه می‌دارد .»

به گفته آقای کیم، این نوع ربات می‌تواند مانند سلول‌های گیاهی «رشد» کند و می‌تواند در شکاف‌های کوچکی که ربات‌های سنتی به راحتی در آنها گیر می‌کنند، وارد شود.

پروفسور هو-یانگ کیم معتقد است که با رانش زمین اخیر که در ویتنام رخ داده است یا زلزله... این نوع ربات می‌تواند به طور کامل برای کارهای امداد و نجات به کار گرفته شود.

آقای کیم گفت: « به لطف اندازه کوچک و توانایی حرکت در شکاف‌های کوچک... در جهات مختلف، این ربات حداکثر پشتیبانی را برای تیم نجات فراهم می‌کند. این تحقیق منتشر شده است و دانشمندان می‌توانند به آن مراجعه کنند .»

پروفسور هو-یانگ کیم با ارائه اطلاعات بیشتر در مورد مسیرهای تحقیقاتی آینده، گفت که ترکیب علوم کلید اصلی است و هوش مصنوعی (AI)، به ویژه یادگیری عمیق، تمرکز بعدی است.

پروفسور کیم گفت: « تحقیقات من ترکیبی از زمینه‌های علمی مختلف، از زیست‌شناسی گرفته تا علم مواد است. چیزی که امیدوارم در آینده آن را با هم ترکیب کنم، حوزه هوش مصنوعی است .»

او اذعان کرد که کنترل واضح رفتار ربات‌های گروهی دشوار است، چرا که اغلب «از ربات‌های کناری خود یاد می‌گیرند که چگونه حرکت کنند»، بنابراین هوش مصنوعی در رمزگشایی رفتار فردی نقش خواهد داشت.

پروفسور هو-یانگ کیم افزود: « هوش مصنوعی به کشف قوانینی که هر ربات به صورت جداگانه پیمایش می‌کند، کمک خواهد کرد. ما می‌توانیم هر فعالیت ربات‌های جداگانه را به هم متصل کنیم و از آن داده‌ها برای تجزیه و تحلیل یادگیری عمیق استفاده کنیم .»

انگلیسی

منبع: https://vtcnews.vn/robot-the-he-moi-di-chuyen-nhu-dan-kien-co-the-tham-gia-cuu-ho-thien-tai-ar990637.html