Spotlight

Algoritme baru meniru penginderaan listrik pada ikan


ikan

Kredit: Domain Publik Unsplash / CC0

Sementara manusia mungkin kesulitan untuk menavigasi lingkungan bawah air yang keruh dan keruh, ikan listrik yang lemah dapat melakukannya dengan mudah. Hewan air ini secara khusus beradaptasi untuk melintasi perairan yang tertutup tanpa bergantung pada penglihatan; sebaliknya, mereka merasakan lingkungan mereka melalui medan listrik. Sekarang, para peneliti mencoba mengadaptasi teknik penginderaan listrik ini untuk meningkatkan robotika bawah air.

Para ilmuwan telah menghabiskan waktu bertahun-tahun mempelajari bagaimana ikan listrik yang lemah — termasuk ikan pisau dan ikan hidung gajah — menggunakan listrik untuk navigasi. Ikan ini memiliki organ listrik khusus yang melepaskan voltase kecil ke air di sekitarnya, menciptakan medan listrik pribadi mereka sendiri. Objek terdekat menyebabkan sedikit gangguan pada bidang ini, yang dideteksi ikan dengan organ sensitif pada kulitnya yang disebut electroreceptors. Saat ikan berenang, ia dapat merasakan suatu objek dari berbagai sudut pandang untuk mempelajari lebih lanjut tentang fiturnya — semuanya tanpa mendapatkan perspektif visual apa pun. Memahami sepenuhnya mekanisme adaptasi unik ini yang memungkinkan ikan menyesuaikan diri dan menavigasi dalam kegelapan total dapat membantu robot bawah air melakukan hal yang sama.

Lorenzo Baldassari dan Andrea Scapin dari Institut Teknologi Federal Swiss di Zürich tertarik dengan kemungkinan pemodelan cara ikan listrik yang lemah memandang lingkungan mereka melalui listrik. Dalam sebuah makalah yang diterbitkan pada hari Kamis di Jurnal SIAM tentang Ilmu Pencitraan, Baldassari dan Scapin memperkenalkan algoritme inovatif untuk mengamati objek melalui penginderaan listrik yang didasarkan pada perilaku nyata ikan yang listriknya lemah. “Hewan-hewan ini adalah subjek yang ideal untuk mengembangkan teknik pencitraan baru yang terinspirasi dari bio,” kata Baldassari.

Algoritme baru meniru penginderaan listrik pada ikan

Kumpulan kamus simulasi sensor listrik, yang berisi tujuh bentuk. Elips diulangi dengan konduktivitas listrik yang berbeda (diwakili oleh garis putus-putus di baris kedua). Kredit: Gambar milik Lorenzo Baldassari dan Andrea Scapin.

Kemampuan penginderaan ikan listrik yang lemah menginspirasi keduanya untuk mengembangkan algoritme yang dapat meniru cara ikan mendeteksi dan menemukan target berdasarkan distribusi arus listrik di kulit mereka. Mereka berusaha membuat simulasi matematis dari ikan yang akan berenang dalam jalur melingkar di sekitar objek target dan menggabungkan algoritme pengenalan yang dapat mensintesis informasi elektrosensia untuk menentukan objek apa yang dekat dengan ikan tersebut.

Algoritme diperlukan untuk mengetahui kemungkinan bentuk objek ini, jadi Baldassari dan Scapin membuat kamus tujuh bentuk standar: lingkaran, elips, segitiga, elips bengkok, segitiga lengkung, manusia kue jahe, dan drop. Dalam simulasi mereka, seekor ikan berenang di sekitar objek yang dipilih secara acak dari kamus — ikan teoretis ini tidak tahu sebelumnya objek apa yang akan ditemuinya, seperti ikan sungguhan yang tidak mengetahui lingkungannya sebelum menyetrumnya. Tujuan algoritma kemudian menggunakan data yang dikumpulkan oleh ikan yang disimulasikan untuk menentukan elemen kamus mana yang cocok dengan objek target.

Besaran matematis terpenting dalam simulasi ini adalah skala panjang, atau perbandingan antara ukuran target dan jarak antara ikan dengan target. Saat skala panjang meningkat — yaitu, ikan bergerak mendekati target — ukuran gangguan listrik dari target juga meningkat, memberikan tampilan objek dengan resolusi lebih tinggi. Studi sebelumnya yang melibatkan algoritma elektrosensing hanya menggunakan pengukuran yang diambil pada satu skala panjang. Untuk meningkatkan teknik ini, Baldassari dan Scapin meminta ikan yang dimodelkan untuk mengambil beberapa orbit melingkar pada jarak yang berbeda dari target, sehingga memperoleh pengukuran pada beberapa skala panjang yang berbeda. Pendekatan multi-skala ini menggabungkan informasi yang dikumpulkan ikan teoretis pada jarak yang berbeda dari objek untuk mendapatkan pemahaman yang lebih akurat tentang fitur-fiturnya. Tetapi keuntungan dari multi-skala tidak datang dengan mudah. “Aspek tersulit dari pekerjaan ini adalah memilih cara yang tepat untuk menggabungkan informasi pada berbagai skala panjang,” kata Scapin. Para penulis mencoba berbagai metode sebelum akhirnya menemukan strategi untuk menggabungkan informasi yang tidak memiliki kelemahan besar.

Algoritme baru meniru penginderaan listrik pada ikan

Ikan yang disimulasikan mengumpulkan data tentang objek target (di tengah) saat berenang dalam beberapa orbit dengan skala panjang yang berbeda (garis putus-putus). Kredit: Gambar milik Lorenzo Baldassari dan Andrea Scapin.

Untuk algoritma pengenalan yang bekerja paling baik, langkah pertama adalah mengukur dan mencatat gangguan listrik dari target yang dideteksi ikan pada setiap orbit. Prosedur pencocokan kemudian membandingkan data ini dengan kamus tentang bentuk yang mungkin, memberikan skor numerik untuk menunjukkan tingkat kesamaan antara target yang tidak diketahui dan item kamus yang paling mirip. Skor ini disimpan untuk kombinasi nanti. “Poin kuat dari algoritme pengenalan kami adalah saat melakukan klasifikasi orbit demi orbit, perbandingan sebelumnya digabungkan dalam pemilihan bentuk pencocokan terbaik,” kata Scapin. “Ini mengarah pada peningkatan pengakuan.” Tim tersebut menggabungkan skor numerik dari orbit yang berbeda untuk membuat tugas keyakinan yang menunjukkan bentuk kamus mana yang ditentukan oleh algoritme yang paling cocok untuk target, dan seberapa yakin itu dalam penentuan itu.

Untuk menguji algoritme pengenalannya, penulis mensimulasikan ikan dengan 1.024 elektroreceptors yang tersebar merata di tubuhnya yang membuat tiga orbit melingkar di sekitar suatu objek, kemudian mencatat seberapa sering ikan tersebut dapat mengidentifikasi target dengan benar. Pendekatan multi-skala baru ini memiliki tingkat pengenalan benar yang lebih tinggi daripada pendekatan skala-tunggal sebelumnya; meskipun menggabungkan hasil dari skala panjang yang berbeda tidak menghasilkan hasil terbaik setiap saat, itu adalah pendekatan yang paling efektif secara keseluruhan. Menurut hasil ini, kemajuan masa depan dalam algoritma elektrosensing akan paling berhasil jika mereka terus menggabungkan pengukuran multi-skala.

Algoritme penginderaan listrik baru Baldassari dan Scapin memiliki potensi untuk memajukan navigasi dalam robotika bawah air, meskipun menerapkan prosedur mereka pada perangkat nyata akan memerlukan perluasan algoritme untuk menangani tiga dimensi. Namun, potensi imbalan untuk upaya semacam itu sangat menggiurkan. “Membangun robot otonom dengan teknologi electrosensing dapat memberikan kemampuan navigasi, pencitraan, dan klasifikasi yang belum dijelajahi, terutama saat penglihatan tidak dapat diandalkan karena kekeruhan air di sekitarnya atau kondisi pencahayaan yang buruk,” kata Baldassari. Robot penginderaan listrik dapat memungkinkan studi yang lebih dalam di area lautan yang tidak dapat diakses oleh penyelam manusia, memajukan eksplorasi bawah laut lebih jauh dari sebelumnya.


Robot yang terinspirasi oleh ikan mengoordinasikan gerakan tanpa kendali dari luar


Informasi lebih lanjut:
Lorenzo Baldassari dkk. Klasifikasi Multi-skala untuk Electrosensing, Jurnal SIAM tentang Ilmu Pencitraan (2021). DOI: 10.1137 / 20M1344317

Disediakan oleh Masyarakat untuk Matematika Industri dan Terapan

Kutipan: Algoritme baru meniru sensor listrik pada ikan (2021, 14 Januari) diambil pada 14 Januari 2021 dari https://techxplore.com/news/2021-01-algorithm-mimics-electrosensing-fish.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Pengeluaran SGP Hari Ini