面向神经形态处理器的无人机避障脉冲神经网络参数优化与学习
神经与进化计算
2019-10-18 v1 新兴技术
适应与自组织系统
神经元与认知
摘要
小叶巨型运动检测器(LGMD)是蝗虫中已确认的神经元，可检测迫近物体并触发昆虫的逃逸反应。理解导致这些快速且鲁棒反应的神经原理和网络结构，有助于设计高效的机器人避障策略。本文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，该模型结合了脉冲频率适应和突触可塑性机制，并可映射到现有的神经形态处理器芯片上。然而，由于该模型具有广泛的参数范围，且用于实现该模型的混合信号模数电路受变异性和噪声影响，有必要优化参数以产生鲁棒且可靠的响应。本文提出使用差分进化(DE)和贝叶斯优化(BO)技术来优化参数空间，并研究使用自适应差分进化(SADE)以缓解为DE技术寻找合适输入参数的困难。我们通过将不同优化器应用于该模型的综合比较来量化所提方法的性能，并利用安装在无人机上的DVS传感器记录数据证明了所提方法的有效性。
引用
@article{arxiv.1910.07960,
title = {Parameter Optimization and Learning in a Spiking Neural Network for UAV Obstacle Avoidance targeting Neuromorphic Processors},
author = {Llewyn Salt and David Howard and Giacomo Indiveri and Yulia Sandamirskaya},
journal= {arXiv preprint arXiv:1910.07960},
year = {2019}
}