VPRTempo：一种用于视觉位置识别的快速时间编码脉冲神经网络

脉冲神经网络（SNNs）因其潜在的能量效率、低延迟和持续学习能力而处于神经形态计算的前沿。尽管这些能力非常适合于机器人任务，但SNNs迄今为止在该领域的应用有限。本工作介绍了一种用于视觉位置识别（VPR）的SNN，它既可在数分钟内训练，也可在毫秒内查询，非常适合于部署在计算受限的机器人系统上。我们提出的系统VPRTempo使用一种抽象化的SNN克服了缓慢的训练和推理时间，该SNN以牺牲生物真实性换取效率。VPRTempo采用时间编码，根据像素强度决定单个脉冲的发放时机，而先前的SNN依赖决定脉冲数量的比率编码；将脉冲效率提高了100%以上。VPRTempo使用脉冲时序依赖可塑性（STDP）和一种监督式delta学习规则进行训练，强制每个输出脉冲神经元仅对单一位置响应。我们在Nordland和Oxford RobotCar基准定位数据集（包含多达27k个位置）上评估了我们的系统。我们发现VPRTempo的精度可与先前的SNN以及流行的NetVLAD位置识别算法相媲美，同时速度快几个数量级并适合实时部署——在CPU上推理速度超过50 Hz。VPRTempo可集成作为资源受限系统（如太空和水下机器人）上在线SLAM的回环闭合组件。