基于神经形态 LiDAR 的能效脉冲神经网络鸟瞰视角目标检测
计算机视觉与模式识别
2026-05-26 v1 人工智能
机器人学
摘要
自动驾驶感知需要在严格的功耗约束下，对三维传感器数据进行准确且高效的处理。传统卷积神经网络虽然实现了强大的检测精度，但计算密集，限制了其在资源受限的神经形态平台上的部署。脉冲神经网络通过事件驱动的稀疏计算提供了有竞争力的替代方案，但其在针对复杂现实感知任务（如三维目标检测）的应用仍有限。本文提出一种用于LiDAR点云鸟瞰视角表示目标检测的端到端脉冲编码解码网络，通过替代梯度反向传播进行训练。我们训练了两种变体：一种是膜电位变体，在输出阶段读取连续的神经元状态，以获得最高精度，实现了在IoU=0.5时Easy/Moderate/Hard条件下的92.05/87.04/86.51 AP；另一种是完全二进制脉冲变体，在每一层都仅使用脉冲序列进行运算，以便直接部署到神经形态硬件。我们评估了四种输入脉冲编码策略，证明允许网络直接从数据中学习脉冲表示的效果，优于手工设计的泊松、延迟和Z轴编码方案，在KITTI基准测试中表现良好，其中sequential frames不可用，BEV输入在多个时间步上以代理方式呈现，以模拟时间序列流。块状能量分析显示，在保守的循环运算条件下，等效CNN的能耗降低了3.33倍。这些结果表明，脉冲神经网络可用于实现自动驾驶中准确且能效的神经形态感知。
引用
@article{arxiv.2605.25293,
title = {Neuromorphic LiDAR-based Bird's Eye View Object Detection using Energy-efficient Spiking Neural Networks},
author = {Sambit Mohapatra and Senthil Yogamani and Heinrich Gotzig and Patrick Mader},
journal= {arXiv preprint arXiv:2605.25293},
year = {2026}
}