Programar um robô para realizar um conjunto repetitivo de etapas não é especialmente desafiador nos dias de hoje. Mas, embora esses tipos de robôs sejam bastante úteis em ambientes altamente estruturados – como os comumente encontrados em ambientes industriais e de fabricação – eles falham espetacularmente quando confrontados com condições inesperadas. Quase tudo no mundo actual, de nossas casas às ruas da cidade, está cheio de situações inesperadas; portanto, para lidar com esses ambientes, são necessários sistemas de navegação mais inteligentes. Muitas soluções que alavancam equipamentos de detecção de ponta e algoritmos de aprendizado profundo foram desenvolvidos nos últimos anos, e alguns deles funcionam muito bem. No entanto, o {hardware} necessário para executar os algoritmos e coletar os dados ambientais tende a consumir uma grande quantidade de energia para operação. Esse é um grande problema para robôs autônomos móveis que são alimentados por baterias. Ao incluir o {hardware}, eles poderão navegar com sucesso, mas drenarão suas baterias antes de chegarem muito longe. Sem o {hardware}, eles podem viajar muito, mas não sabem para onde estão indo. Se ao menos houvesse uma maneira mais eficiente de navegar … é claro que existe, e é visto em todo o mundo pure – o cérebro. Humanos e animais têm excelentes capacidades de navegação, mas o cérebro consome muito pouca energia. Inspirados nessa eficiência biológica, os pesquisadores da Universidade de Xangai Jiao Tong desenvolveram uma nova abordagem para a navegação autônoma chamada Massive (estrutura de consciência da geometria inspirada no cérebro). Seu trabalho aproveita os princípios neurais para melhorar drasticamente a maneira como os sistemas autônomos exploram e mapeiam ambientes desconhecidos. A grande estrutura utiliza um mecanismo de navegação inspirado no cérebro chamado modelo de célula de geometria, que imita como os mamíferos percebem o espaço. Diferentemente dos sistemas de navegação autônomos tradicionais que dependem da construção exaustiva de mapas e algoritmos computacionalmente pesados, o BIG adota uma abordagem mais adaptativa e eficiente em termos de recursos. Faz isso através de quatro componentes principais: informações geométricas, grande explorador, grande navegador e grande mapa. As informações geométricas alavancadas pelo sistema são uma representação de dados espaciais que ajudam os robôs a entender e interpretar seus arredores. O Massive-Explorer é um módulo de exploração que otimiza como os robôs expandem suas áreas de pesquisa, concentrando-se nas informações de limite. O módulo de navegação, chamado grande navegador, orienta inteligentemente o robô ao seu destino com base nas idéias obtidas com a exploração. O componente closing, o grande mapa, é um mapa de experiência espaço-temporal que reduz a memória e os custos computacionais, mantendo a eficiência. Usando a percepção de limites em tempo actual e uma abordagem de amostragem otimizada, a grande estrutura reduz as demandas computacionais em pelo menos 20% em comparação com os métodos de última geração existentes. O sistema permite que os robôs cubram grandes áreas com menos nós e caminhos mais curtos, tornando-o splendid para tarefas de exploração de longo alcance em ambientes onde os recursos de energia e processamento são limitados. Olhando para o futuro, a Massive tem o potencial de suportar aplicativos que envolvam veículos autônomos, operações de pesquisa e salvamento, exploração espacial e infraestrutura de cidade inteligente. Os futuros robôs equipados com sistemas de navegação em grandes base de base podem até explorar efetivamente as florestas, túneis subterrâneos, ambientes urbanos e além sem o consumo excessivo de energia que é característico de muitos sistemas de navegação existentes. A estrutura de mapeamento inspirada no cérebro (SUNS SUMTEM SUMTEMENT O SUMPETURATURO (SUNS SIMTEMENTO (SUNS SUMTEMENT (📷), a arquitetura do sistema (📷 Z. al.)