LaneSNNs：用于Loihi神经形态处理器上车道检测的脉冲神经网络
神经与进化计算
2022-08-05 v1 机器学习
摘要
自动驾驶（AD）相关特性代表了面向日益智能、自主与互联系统的下一代移动机器人与自动驾驶车辆的重要元素。按定义，涉及这些特性的应用必须提供实时决策，且该属性是避免灾难性事故的关键。此外，所有决策过程必须要求低功耗，以增加电池驱动系统的寿命与自主性。这些挑战可通过在神经形态芯片上高效实现脉冲神经网络（SNNs）以及使用基于事件的相机替代传统基于帧的相机来应对。在本文中，我们提出一种称为LaneSNN的基于SNN的新方法，用于利用基于事件的相机输入检测街道上标画的车道。我们开发了四种具有低复杂度与快速响应的新型SNN模型，并使用离线监督学习规则训练它们。随后，我们将学习到的SNN模型实现并映射至Intel Loihi神经形态研究芯片。对于损失函数，我们开发了一种基于加权二值交叉熵（WCE）与均方误差（MSE）度量线性组合的新方法。我们的实验结果显示最大交并比（IoU）度量约为0.62，且功耗极低约为1 W。最佳IoU由一种SNN实现取得，其仅占用Loihi处理器上36个神经核，同时提供小于8 ms的低延迟以识别一幅图像，从而实现实时性能。我们网络提供的IoU度量可与最先进水平媲美，但功耗却低得多，仅为1 W。
引用
@article{arxiv.2208.02253,
title = {LaneSNNs: Spiking Neural Networks for Lane Detection on the Loihi Neuromorphic Processor},
author = {Alberto Viale and Alberto Marchisio and Maurizio Martina and Guido Masera and Muhammad Shafique},
journal= {arXiv preprint arXiv:2208.02253},
year = {2022}
}
备注
To appear at the 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022)