Yang membuat riset Harvard ini menonjol bukan sekadar ukuran robotnya yang kecil, melainkan kemampuan kawanan tersebut untuk mengubah perilaku dari membangun menjadi membongkar. Dalam sistem itu, tidak ada satu pengendali pusat yang memberi instruksi, tetapi seluruh gerakan muncul dari aturan sederhana yang terus berinteraksi dengan lingkungan.
Tim dari Harvard John A. Paulson School of Engineering and Applied Sciences bersama Faculty of Arts and Sciences mengembangkan robot kecil bernama RAnts untuk meniru cara semut bekerja. Penelitian ini dipublikasikan di PRX Life dan dipimpin oleh L. Mahadevan, yang lama meneliti bagaimana proses fisik membentuk sistem hidup.
Pendekatan yang dipakai meniru kecerdasan semut yang selama ini dikenal mampu menciptakan sarang kompleks hanya dari petunjuk lokal. Semut menggali terowongan, menumpuk tanah, lalu membentuk struktur yang dapat mengatur aliran udara dan suhu, padahal tidak ada satu individu pun yang memahami seluruh proyek.
Pada versi robotiknya, komunikasi antarrobo t tidak memakai feromon seperti pada semut. Sebagai gantinya, robot ini menggunakan medan berbasis cahaya yang disebut photormones, lalu sebuah webcam melacak setiap robot dan memperbarui medan cahaya di arena secara langsung.
Setiap RAnt dibekali dua sensor cahaya untuk membaca intensitas dan arah sinyal. Robot itu juga memiliki dua roda yang dapat dikendalikan secara independen serta magnet yang bisa ditarik untuk mengambil dan melepaskan blok bangunan silinder dengan cincin magnet.
Kesederhanaan perangkat itu penting karena perilaku kolektif justru diharapkan muncul dari interaksi lokal. Robot bergerak, meninggalkan sinyal, lalu merespons gradien dari sinyal yang sama, sehingga tercipta umpan balik antara kawanan dan lingkungan yang terus berubah.
Aturan internalnya juga dibuat ringkas. Robot mengikuti gradien sinyal, mengangkut material saat petunjuknya cocok, lalu menjatuhkan material ketika ambang tertentu tercapai.
Dari aturan yang minim itu muncul pola yang jauh lebih kaya. Pada titik tertentu, robot mulai berkumpul dan membentuk nucleation sites, yakni titik awal yang menjadi benih struktur.
Tim menjelaskan fenomena itu sebagai trapping instability. Robot dapat sementara terjebak oleh sinyal yang mereka hasilkan sendiri, lalu robot lain ikut tertarik ke lokasi yang sama ketika beberapa unit sudah lebih dulu berkumpul.
Satu robot saja sudah memberi banyak petunjuk tentang dinamika kelompok. Dalam medan sinyal statis dengan gradien konstan, satu robot cenderung bergerak melingkar, sementara dalam medan dinamis gerak itu dapat berubah menjadi self-trapping jika kondisinya tepat.
Perilaku tersebut dipengaruhi oleh geometri sensor, lebar produksi sinyal, dan parameter gain atau sensitivitas. Dengan menyesuaikan faktor-faktor itu, peneliti membuat satu robot tidak mudah terjebak, tetapi beberapa robot bersama-sama justru dapat membentuk jebakan stabil yang menjadi benih aksi kolektif.
Perubahan kecil pada tingkat kerja sama juga mengubah hasil akhirnya. Saat cooperation lemah, robot lebih banyak menjelajah dan menaruh material secara tersebar, sedangkan pada tingkat yang lebih kuat lintasan mereka melengkung ke arah lokasi yang sama.
Pada pengaturan kerja sama paling kuat, kawanan membentuk satu klaster besar yang kira-kira isotropik, bukan banyak klaster kecil. Hasil ini memperlihatkan bahwa penyesuaian kecil pada aturan lokal dapat menggeser keluaran skala besar secara nyata.
Kemampuan paling menarik dari sistem ini adalah peralihannya antara membangun dan membongkar. Dua parameter yang paling berpengaruh adalah cooperation strength, yang mengatur seberapa kuat robot mengikuti gradien sinyal, dan deposition rate, yang menentukan apakah kawanan menaruh atau menghapus material.
Dengan mengubah setelan itu, tim dapat memindahkan perilaku kolektif dari membangun struktur baru ke merobohkan struktur yang sudah ada. Dalam eksperimen, robot mampu mengumpulkan material menjadi agregat teratur atau menggali bersama melalui substrat padat.
Para peneliti juga memasangkan eksperimen tersebut dengan model kontinum yang melacak tiga medan sekaligus, yaitu kepadatan robot, sinyal komunikasi, dan kepadatan substrat. Kerangka ini memperluas teori agregasi biologis lama karena lingkungan tidak lagi dipandang sebagai latar tetap, melainkan sesuatu yang ikut dibentuk ulang oleh para agen.
Mereka menyebut gagasan itu sebagai exbodied intelligence. Dalam sistem semacam ini, kecerdasan kolektif muncul bukan hanya dari individu, tetapi dari interaksi berkelanjutan antara agen dan lingkungan yang menyimpan jejak tindakan sebelumnya.
Potensi penerapannya dinilai cukup jelas. Kawanan robot yang bisa membangun atau membongkar tanpa perencanaan global berpotensi berguna di lokasi berbahaya, termasuk zona bencana, lokasi konstruksi terpencil, dan eksplorasi planet.
Meski begitu, tim juga menegaskan batas penelitian ini. Mereka belum mencoba membedakan berbagai struktur fungsional dan belum memasukkan efek pada kepadatan lokal tinggi seperti bottleneck saat menghindari rintangan, yang dapat memengaruhi waktu dan ketahanan sistem.
Langkah berikutnya yang dianggap wajar adalah memberi sistem kemampuan memilih hasil berdasarkan fitness relatif. Dengan begitu, struktur tertentu dapat diprioritaskan jika memang lebih cocok untuk tugas yang dihadapi.
