面向高维机器人控制的群体编码脉冲神经网络
机器人学
2025-10-14 v1 人工智能
机器学习
摘要
能效和高性能的电动力控制是机器人学中的关键挑战，尤其是对于资源受限环境下的高维连续控制任务。虽然深度强化学习（DRL）已取得显著成果，但其计算需求和能耗限制了在资源受限环境中的部署。本文引入一种新框架，将群体编码脉冲神经网络（SNN）与DRL结合，以解决此挑战。我们的方法利用SNN的事件驱动、异步计算，以及DRL的鲁棒策略优化能力，实现能效和控制性能之间的平衡。该框架的核心是群体编码脉冲演员网络（PopSAN），它将高维观测编码为神经元群体活动，并通过梯度更新实现最优策略学习。我们在Isaac Gym平台上使用PixMC基准进行评估，涉及复杂的机器人操纵任务。在Franka机器人臂上进行的实验表明，我们的方法在与传统人工神经网络（ANN）相比时，实现了最高达96.10%的能耗节省，同时保持可比的控制性能。训练得到的SNN策略在指尖位置跟踪方面表现稳健，与命令轨迹几乎无偏差，并在抓取-放置操作中稳定维持目标高度。这些结果将群体编码SNN定位为资源受限环境中高效、高性能机器人控制的有前景的解决方案，为在真实世界机器人系统中的可扩展部署铺平了道路。
引用
@article{arxiv.2510.10516,
title = {Population-Coded Spiking Neural Networks for High-Dimensional Robotic Control},
author = {Kanishkha Jaisankar and Xiaoyang Jiang and Feifan Liao and Jeethu Sreenivas Amuthan},
journal= {arXiv preprint arXiv:2510.10516},
year = {2025}
}