神经形态姿态估计与控制
机器人学
2025-03-24 v2 机器学习
神经与进化计算
摘要
小型无人机的实际应用大多受能源限制的制约。神经形态计算为自主飞行提供了极其高效的 AI，但在实际机器人上仍然具有训练和部署的挑战。为了从神经形态计算中获得最大收益，必须在单一神经形态芯片上完成从低级姿态控制到高级导航的全部自主功能。本研究提出了首个使用脉冲神经网络 (SNN) 的神经形态控制系统，有效地将无人机的原始感知输入直接映射到电机命令。我们将此方法应用于四旋翼机的低级姿态估计与控制，将 SNN 部署在微型 Crazyflie 无人机上。我们提出了模块化的 SNN，分别训练估计和控制子网络，然后进行合并。SNN 采用模仿学习进行训练，使用感知-电机对的飞行数据集。训练后，网络部署在Crazyflie上，以 500Hz 的频率从传感器输入发出控制命令。此外，为了增强 SNN 的预测能力，我们通过对训练数据进行额外激励飞行和时间偏移目标数据来进行数据增强。在实际无人机上，感知到控制的 SNN 对姿态命令的跟踪误差平均为 3.0 度，与常规飞行堆栈的 2.7 度相比。我们还展示了所提学习修改对减少平均跟踪误差和减少振荡的益处。我们的工作显示了在神经形态端到端控制中实现可行性，为构建高能源效率和低延迟的神经形态自动驾驶器奠定了基础。
引用
@article{arxiv.2411.13945,
title = {Neuromorphic Attitude Estimation and Control},
author = {Stein Stroobants and Christophe de Wagter and Guido C. H. E. De Croon},
journal= {arXiv preprint arXiv:2411.13945},
year = {2025}
}