Мозг робота: нейронные сети

Мозг робота: нейронные сети

Мозг робота: нейронные сети

Робототехника — одна из самых сложных областей инженерии, и не только потому, что в простой руке робота используется множество сервоприводов и электронных устройств.

Ее сложность связана с тем, что траектории движения подвижных частей робота, определяются путем сложных математических расчетов.

В некоторых случаях все расчеты выполняются в искусственном мозге робота, состоящем, подобно мозгу высших живых организмов, из нейронных сетей. Но в случае с роботами речь идет об искусственных нейронах.

Нейронные сети и искусственный нейрон

нейронные сети
Понятие «нейронная сеть» и «искусственный нейрон» появились не так давно и эйфория по отношению к ним уже не раз сменялась разочарованием.

Эти понятия возникли как составляющие алгоритма Treshold Logic Unit (блок пороговой логики), который был предложен Уоренном Маккалоком и Уолтером Питтсом в 40-е годы и имел большой успех. Искусственный нейрон, по сути, представляет собой инкапсуляцию указанного алгоритма.

На обычном языке это означает: нейрон возбуждается тогда и только тогда, когда стимул, превышает определенное пороговое значение.

мозг робота
Известный во всем мире робот Pepper из Японии — пример робота, внешне похожего на человека (Фото: Unsplash)
Можно сделать так, чтобы не только внешний вид, но и «мозг» робота был похож на человеческий. Разрабатывая механизмы восприятия, обработки информации и управления, инженеры вдохновляются устройством нервной системы людей.

Как устроены современные роботы и как они помогают изучать мозг человека

Простота искусственных нейронов способствовала их реализации в микрочипах. К концу 90-х стала возможной полная реализация искусственных нейронных сетей исключительно в аппаратном обеспечении. Сегодня эти микрочипы используются при изготовлении электронных прогнозных устройств, к примеру, приборов, позволяющих определить причину недомогания плачущего ребенка.

Искусственный нейрон функционирует аналогично естественному. Но основная сложность нейронных сетей заключается в двух элементах, которые должны согласовываться между собой. Именно от них зависит, сможет ли нейронная сеть делать более или менее точные прогнозы. Эти два элемента — вес входных сигналов и пороговое значение. Трудоемкая корректировка этих значений, по результатам которой для ряда входных значений нейрон должен выдавать желаемое выходное значение, называется обучением.

Прорыв в обучении нейронов совершил Фрэнк Розенблатт в конце 1950-х, предложив модель нейрона, способного корректировать веса и пороговое значение. Модель Розенблатта получила название перцептрон.

С точки зрения биологии реальный нейрон ведет себя почти так же: каждый нейрон имеет множество входов, куда поступают электрические сигналы от других нейронов (соединения между нейронами называются синапсами), затем определяется, превышают ли эти стимулы порог чувствительности. Если порог чувствительности превышен, то по аксону проходит электрический сигнал (в случае с искусственным нейроном аналогом этого сигнала будет выходное значение).

Перцептрон оказался полезным при прогнозировании: он способен предсказать, к какому классу принадлежит заданная выборка. Классическим примером является задача о растениях рода ирис, в которой рассматриваются выборки трех видов:

  • ирис щетинистый (Iris setosa),
  • ирис разноцветный (Iris versicolor) и
  • ирис вергинский (Iris virginica).

Каждая выборка описывается четырьмя параметрами: длинной и шириной лепестков, длиной и шириной чашелистников. Цель задачи — определить, к какому виду принадлежат растения из новой выборки. Для решения будем использовать три перцептрона, каждый из которых настроен на обнаружение одного из трех видов. Таким образом, если новая выборка содержит растения вида ирис щетинистый, то всего один перцептрон вернет значение 1, два других — 0.

Понравилась статья? Поделиться с друзьями:
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: