在神经形态研究芯片Loihi上用于机器人控制的鲁棒轨迹生成
神经与进化计算
2020-11-30 v2 机器人学
摘要
与冯·诺依曼架构相比，神经形态硬件具有若干极具前景的优势，在机器人控制中备受关注。然而，尽管神经形态计算具有高速度和高能效，但利用该硬件的控制场景算法仍然很少。一个问题是从硬件上几毫秒时间尺度的快速脉冲活动，过渡到数百毫秒量级的控制相关时间尺度。另一个问题是执行复杂轨迹，这要求脉冲活动包含足够的多样性，同时为了实现可靠的性能，网络动力学必须对噪声具有足够的鲁棒性。在本研究中，我们利用了最近开发的一种受生物学启发的脉冲神经网络模型，即所谓的各向异性网络。我们使用Intel的神经形态研究芯片Loihi识别了各向异性网络的核心原理并将其转移到神经形态硬件上，并在机械臂执行电机控制任务的轨迹上验证了该系统。我们开发了一种包含各向异性网络和池化层的网络架构，该架构允许从芯片快速读取脉冲并执行固有的正则化。借此，我们证明了Loihi上的各向异性网络能够可靠地编码神经活动的序列模式，每个模式代表一个机器人动作，并且这些模式允许在控制相关的时间尺度上生成多维轨迹。总而言之，我们的研究提出了一种新算法，利用最先进的神经形态硬件，允许生成复杂的机器人运动，作为机器人控制的构建模块。
引用
@article{arxiv.2008.11642,
title = {Robust trajectory generation for robotic control on the neuromorphic research chip Loihi},
author = {Carlo Michaelis and Andrew B. Lehr and Christian Tetzlaff},
journal= {arXiv preprint arXiv:2008.11642},
year = {2020}
}