工业任务中的神经形态力控制：验证能耗与延迟收益

随着机器人变得更加智能和无处不在，优化智能计算的功耗对于确保技术进步的可持续性变得势在必行。与传统冯·诺依曼计算架构相比，神经形态计算硬件利用受生物学启发的神经架构来实现能耗和延迟的改善。将这些益处应用于机器人已在神经机器人学领域的多项研究中得到证实，通常是在相对简单的控制任务上。在此，我们介绍一个将神经形态计算应用于真实世界工业任务（物体插装）的实例。我们在仿真中通过强化学习方法训练了一个脉冲神经网络 (SNN) 来执行力-力矩反馈控制。随后，我们将该 SNN 移植到与 KUKA 机械臂接口相连的 Intel 神经形态研究芯片 Loihi 上。在推理阶段，我们展示了与当前 CPU/GPU 架构相当的延迟，以及与最先进低能耗边缘硬件相比低一个数量级的能耗。我们将此示例作为神经形态控制器在真实世界机器人环境中实现的概念验证，突出了神经形态硬件在开发机器人智能控制器方面的优势。