面向无人机避障的混合信号神经形态电路超参数选择的差分进化与贝叶斯优化
神经与进化计算
2021-03-05 v3 机器学习
最优化与控制
摘要
视叶巨型运动检测器（LGMD）是蝗虫中一种已确认的神经元，可检测迫近物体并触发其逃避反应。理解产生这些快速而鲁棒反应的神经原理与网络，有助于在机器人应用中设计高效的避障策略。在此，我们提出一种由神经形态动态视觉传感器（DVS）输出驱动的LGMD神经形态脉冲神经网络模型，该模型经过优化，以在其混合信号模数电路的约束和变化下产生鲁棒且可靠的响应。由于该LGMD模型具有许多参数，我们使用差分进化（DE）算法优化其参数空间。我们还研究了自适应差分进化（SADE）的使用，其已被证明能改善为DE寻找合适输入参数的困难。我们探索了在LGMD中使用两种生物机制：突触可塑性和膜适应性。我们将DE和SADE应用于寻找最适合无人机（UAV）避障系统的参数，并展示其优于用于比较的最先进贝叶斯优化。
引用
@article{arxiv.1704.04853,
title = {Differential Evolution and Bayesian Optimisation for Hyper-Parameter Selection in Mixed-Signal Neuromorphic Circuits Applied to UAV Obstacle Avoidance},
author = {Llewyn Salt and David Howard and Giacomo Indiveri and Yulia Sandamirskaya},
journal= {arXiv preprint arXiv:1704.04853},
year = {2021}
}
备注
Submitted to TNNLS