Frånvarande robotar kommer ihåg vad som betyder något

Vi översvämmas ständigt med ny information, och för att hantera den effektivt är det ibland nödvändigt att glömma gamla, irrelevanta minnen.

Forskare vid Vanderbilt University har nu utvecklat en algoritm som efterliknar den här typen av glömska hos robotar, som ett sätt att filtrera bort mindre användbar information.

Att glömma är en kritisk förmåga när man arbetar i dynamiska miljöer, säger doktorand Sanford Freedman , som presenterade gruppens datafiltreringsmjukvara, kallad ActSimple, i en artikel publicerad på IASTED Robotics and Applications-konferens hölls denna vecka i Cambridge, MA.

ActSimple bygger på två aspekter av mänskligt minne: tidsbaserat förfall, eller hur minnen försvinner med tiden, och interferens, som är misslyckandet med att återkalla information på grund av att andra minnen konkurrerar om uppmärksamhet. ActSimple tilldelar olika delar av datavärden beroende på hur ofta de används och hur lik det är andra delar av information.

För att testa programvaran använde forskarna den för att styra en simulerad robot som mätte styrkan på WiFi-signaler i en virtuell miljö. Roboten registrerade WiFi-avläsningar på en skala från 1-100, när den rörde sig genom den virtuella inställningen och dessa WiFi-avläsningar hade också olika nivåer av brus (fel) förknippade med dem. Med intervaller förlitade sig roboten på sitt minne för att skapa en uppskattad WiFi-signalkarta genom att återkalla information om signalstyrka som den hade samlat in och lagrat. Forskarna testade ActSimple mot fyra andra algoritmer, inklusive en som strikt ignorerade den äldsta informationen och en annan som filtrerade bort slumpmässig information.

Teamet fann att ActSimple i genomsnitt skapade den mest tillförlitliga uppskattade WiFi-kartan. Intressant nog, när roboten kom ihåg allt – det vill säga använde all sin insamlade information (fel och allt) – genererade den den minst exakta kartan totalt sett.

Dölj