用于高能效一维SLAM的神经形态硬件上的脉冲神经网络
机器人学
2019-09-20 v2 神经与进化计算
摘要
高能效同步定位与建图（SLAM）对于探索未知环境的移动机器人至关重要。哺乳动物大脑通过专门的神经元网络解决SLAM，表现出异步计算和基于事件的通信，且能耗极低。我们提出了一种受大脑启发的脉冲神经网络（SNN）架构，通过引入基于脉冲的参考系变换、视觉似然计算以及贝叶斯推断来解决一维SLAM。我们将神经形态算法集成到Intel的Loihi神经形态处理器（一种模仿大脑计算范式的非冯·诺依曼硬件）上。我们在精度和能效方面对神经形态方法与广泛用于小型环境的GMapping算法进行了比较分析。我们基于Loihi的SNN架构消耗的能源比在CPU上运行的GMapping少100倍，同时在头部方向定位和地图生成方面具有相当精度。这些结果为将我们的方法扩展到Loihi控制的自主机器人的主动SLAM替代解决方案铺平了道路。
引用
@article{arxiv.1903.02504,
title = {Spiking Neural Network on Neuromorphic Hardware for Energy-Efficient Unidimensional SLAM},
author = {Guangzhi Tang and Arpit Shah and Konstantinos P. Michmizos},
journal= {arXiv preprint arXiv:1903.02504},
year = {2019}
}
备注
6 pages, 7 figures