Autonomous Mobile Robotics Berbasis Player/Stage Menggunakan Parallel Self-Organizing.
Dengan adanya pengetahuan yang menyeluruh, maka robotics berbasis akan mampu menghindari halangan dan mampu memilih jalur yang paling efektif untuk mencapai titik tujuan. Kelemahan dari metode ini adalah lamanya proses eksplorasi sehinga sulit untuk melakukan
eksplorasi secara online. kendala kecepatan proses. dalam ini menyajikan bagaimana cara untuk meningkatkan kecepatan proses pembelajaran bagi
robot dalam mengenali lingkungannya. Percepatan di lakukan dengan cara menjalankan proses pembelajaran menggunakan komputasi parallel.
Pemrosesan parallel di laksanakan dengan menggunakan Message Passing Interface (MPI). Dari hasil yang di capai, nampak bahwa
di peroleh percepatan pembelajaran yang signifikan di bandingkan dengan pembelajaran menggunakan processor tunggal.
Kohonen Self Organizing Feature Maps.
Metode SOFM atau SOM memungkinkan untuk menggambarkan data multidimensi kedalam di mensi yang lebih kecil, biasanya satu atau dua di mensi. Proses penyederhanaan ini di lakukan dengan mengurangi vektor yang menghubungkan masing-masing node. Cara ini disebut juga dengan Vector Quantization. Teknik yang dipakai dalam metode SOM dilakukan dengan membuat jaringan yang menyimpan informasi dalam bentuk hubungan node dengan training set yang ditentukan.
Modifikasi SOM.
SOM tersebut di modifikasi menjadi jaringan Paralel SOM. Neuron di bentangkan keseluruh bagian lingkungan yang ingin di kenali. Kemudian seluruh area itu di bagi-bagi menjadi area yang lebih kecil. Masing-masing area tersebut akan di proses oleh satu processor. Gambar 1 pembagian 3 area dari satu lingkungan utuh. Pada arsitektur paralel menggunakan LAM MPI, di perlukan sebuah komputer yang berfungsi sebagai master, master ini akan membagi-bagi tugas ke beberapa komputer/host lain yang di sebut slave, pada proses pembelajaran dengan menggunakan parallel SOM, master bertugas untuk melakukan pembagian
lingkungan menjadi area-area yang lebih kecil, kemudian master mengirimkan area tersebut untuk di proses pada masing-masing slave, setelah semua proses dari slave selesai, maka master akan mengumpulkan kembali hasil pemrosesan dari masing-masing area dan menggabungkan menjadi satu lingkungan yang utuh, secara detail pembelajaran paralel SOM pada saat eksplorasi dapat di jelaskan di bawah ini :
a. Inisialisasi weight pada masing-masing node.
Sebelum pembelajaran dimulai, weight masingmasing node di berikan inisialisasi terlebih
dahulu.
b. Master akan membagi lingkungan menjadi
area-area yang lebih kecil, masing-masing area
akan di kirimkan kepada slave untuk di lakukan
proses pembelajaran.
c. Input berupa sebuah vektor merupakan hasil
deteksi dari salah satu sensor pada robot.
d. Apabila vektor input masuk pada satu area
tertentu, maka proses selanjutnya di kerjakan oleh
komputer slave yang bersankutan.
e. Setiap node di hitung dan di cari weight yang
paling mendekati vektor input. maka Weight pemenang
disebut dengan Best Matching Unit (BMU).
Untuk menentukan BMU, maka salah satu metode yang
di pakai adalah dengan menghitung semua node
dan menghitung jarak Euclidean antara weight
masing-masing node dengan vektor input. Node
yang mempunyai vektor paling mendekati vektor
input, maka di tentukan sebagai BMU.