面向英特尔Loihi 2神经形态硬件的自主强化学习机器人控制
机器人学
2025-12-04 v1 人工智能
机器学习
摘要
我们提出了一种将强化学习（RL）训练的人工神经网络（ANN）部署到神经形态硬件上的端到端管道，通过将其转换为与英特尔Loihi 2体系结构兼容的脉冲Sigma-Delta神经网络（SDNN）。我们演示了完全在仿真环境中训练的ANN策略可被转换为SDNN，实现低延迟和高能效推理。作为测试案例，我们使用一种用于控制Astrobee自由飞行机器人的RL策略，类似于此前在空间中验证的硬件控制器。该策略使用整流线性单元（ReLUs）训练，转换为SDNN并部署到英特尔Loihi 2，然后在NVIDIA的Omniverse Isaac Lab仿真环境中进行闭环控制Astrobee运动。我们在GPU与Loihi 2之间进行执行性能比较。结果凸显了使用神经形态平台进行机器人控制的可行性，为未来太空和陆地机器人应用中的能效、实时神经形态计算铺平了道路。
引用
@article{arxiv.2512.03911,
title = {Autonomous Reinforcement Learning Robot Control with Intel's Loihi 2 Neuromorphic Hardware},
author = {Kenneth Stewart and Roxana Leontie and Samantha Chapin and Joe Hays and Sumit Bam Shrestha and Carl Glen Henshaw},
journal= {arXiv preprint arXiv:2512.03911},
year = {2025}
}
备注
Submitted for review at NICE 2026 (Neuro-Inspired Computational Elements) conference