Neuromorfe controllere til at forbedre kontrollen under landing i mikroluftfartøjer

Flyvende insekter er i stand til at navigere i deres omgivelser effektivt, behandle visuelle stimuli for at undgå forhindringer og lande sikkert på en række forskellige overflader. I løbet af det seneste årti eller deromkring, forskerhold verden over har forsøgt at kopiere disse evner i autonome mikroluftfartøjer (MAV'er) ved hjælp af mekanismer, der ligner dem, der observeres hos insekter.

Forskere ved TU Delfts MAVLab har i flere år forsøgt at udvikle insekt-inspirerede teknikker, der kunne forbedre navigations- og landingsstrategier i små droner. I et nyligt forudgivet papir på arXiv, de introducerede en ny strategi for oprettelse af neuromorfe controllere, der kunne forbedre landinger i MAV'er.

"På MAVLab ved TU Delft, vi studerer den autonome flyvning af små droner, "Jesse Hagenaars, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Dette er en stor udfordring, fordi vores droner (nogle gange så lette som 20 gram) har ekstremt begrænsede ressourcer med hensyn til energi, sansning og bearbejdning. Derfor henter vi meget inspiration fra naturen, og især, fra flyvende insekter."

I tidligere arbejde, forskere ved MAVLab udviklede en række bio-inspirerede teknikker til synsbaseret bevægelsesestimering ved hjælp af spiking neurale netværk (SNN'er). SNN'er er en klasse af kunstige neurale netværk, der tæt efterligner neurale netværk i den menneskelige hjerne, ved hjælp af aktiveringsspidser til at beregne og analysere information.

I deres nye undersøgelse, Hagenaars og hans kolleger ønskede at tage deres teknikker et skridt videre, bruge dem til at styre flyvningen og landingen af ​​MAV'er. At gøre dette, de startede et samarbejde med det hollandske nationale forskningsinstitut for datalogi og matematik (CWI), som har et højt niveau af ekspertise inden for udvikling af spiking neurale netværk.

"Det endelige mål med vores forskning er at forbinde bevægelsesestimering og kontrol for at ende med en fuldstændig bio-inspireret pipeline, som vil være meget mere effektiv med hensyn til energiforbrug end traditionelle visionsbaserede kontrolmetoder, " sagde Hagenaars. "For nu, at demonstrere gennemførligheden af ​​kontroldelen, vi anvendte vores tilgang til landingsmanøvrer."

De fleste tidligere udviklede teknikker til at kontrollere MAV'er under synsbaseret landing er baseret på proportionale controllere og konventionelle ANN'er. Controllere baseret på SNN'er har potentialet til at opnå lignende eller endnu bedre resultater med langt større energieffektivitet.

I modsætning til konventionelle kunstige neurale netværk (ANN'er), hvor hver individuel neuron videregiver en reel værdi på hvert tidspunkt, SNN'er udsender kun en binær spids, når de modtager tilstrækkelig stimulering. I betragtning af at hver enkelt spids eller beregning kræver en vis mængde energi, SNN'er har en tendens til at være langt mere energieffektive end konventionelle ANN'er, da de generelt implementeres ved hjælp af det, der er kendt som 'neuromorfisk hardware'.

"Selvom vi ikke implementerede vores spiking-controllere på neuromorf hardware, vi gik et skridt videre med hensyn til energieffektivitet, ved at minimere antallet af spidser, der bruges af netværket til at udføre kontrol, " sagde Hagenaars. "Dette blev gjort ved at inkludere antallet af spidser som et mål under den evolutionære optimering af controllerne."

Hagenaars og hans kolleger trænede deres SNN-baserede controllere ved hjælp af simuleringsværktøjer, og evaluerede derefter deres præstationer i virkelige miljøer. Deres eksperimenter gav meget lovende resultater, med controllerne, der muliggør hurtige og sikre MAV-landinger, samtidig med at SNN-spidser og dermed energiforbrug holdes på et minimum.

Interessant nok, forskerne fandt også, at spidskontrollere, der producerer færre spidser (dvs. bruge mindre energi) udført lige så godt som andre, der producerer flere spidser. Faktisk, begrænsning af antallet af indkommende spidser syntes at forenkle overførslen af ​​en controllers landingsmuligheder fra simulerede miljøer til den virkelige verden.

"Først og fremmest, dette arbejde er det første til at integrere spiking neurale netværk i kontrolsløjfen af ​​en flyvende robot i den virkelige verden, " sagde Hagenaars. "For det andet, vi minimerer spidshastigheden for controllerne væsentligt, hvilket ville resultere i betydelige energibesparelser, når det implementeres på neuromorf hardware. Udover at gøre spiknetværkene så små som muligt, vi inkluderer netværksstigningshastighed som et mål i den multi-objektive udvikling."

Hagenaars og hans kolleger ved TU Delft var blandt de første til at bruge SNN'er til at styre flyvende robotter i virkelige miljøer. De controllere, de skabte, kunne i sidste ende hjælpe forskere med at øge ydeevnen og energieffektiviteten af ​​både eksisterende og nyudviklede MAV'er, især under landing.

"Vores seneste papir fokuserede kun på bio-inspireret kontrol baseret på et givet bevægelsesestimat, " sagde Hagenaars. "Den faktiske metode til at estimere denne bevægelse var, imidlertid, ikke særlig bio-inspireret. Derfor, vi ønsker nu at kombinere vores controller med den bio-inspirerede bevægelsesestimeringsmetode (også baseret på spiking-netværk) udviklet tidligere af MAVLab, at ende med en fuldstændig bio-inspireret pipeline."

Indtil nu, forskerne har kun testet deres controllere på konventionelle chips, alligevel kan de energibesparelser, de forudsagde, kun realiseres ved hjælp af neuromorfisk hardware. I deres fremtidige arbejde, de håber derfor også at implementere dem på neuromorfe chips, såsom Intels Loihi-chip.

© 2020 Science X Network