1715832599
2024-05-15 23:07:55
デルフト工科大学の研究チームは、動物の脳の働きに基づいた神経形態学的画像処理と制御を使用して自律飛行するドローンを開発した。 動物の脳は、GPU (グラフィック チップ) で実行されている現在のディープ ニューラル ネットワークと比較して、使用するデータとエネルギーが少なくなります。 したがって、ニューロモーフィックプロセッサは、重くて大きなハードウェアやバッテリーを必要としないため、小型ドローンに非常に適しています。 その結果は驚くべきもので、飛行中、ドローンのディープ ニューラル ネットワークは GPU で実行する場合に比べて最大 64 倍高速にデータを処理し、消費エネルギーは 3 分の 1 に抑えられます。 この技術がさらに発展すれば、ドローンは飛行する昆虫や鳥と同じくらい小さく、機敏で、スマートになる飛躍が可能になるかもしれません。 この研究結果は最近、 サイエンスロボティクス。
動物の脳から学ぶ: スパイクニューラルネットワーク
人工知能は、現実世界のアプリケーションに必要な知能を自律ロボットに提供する大きな可能性を秘めています。 ただし、現在の AI はディープ ニューラル ネットワークに依存しており、これにはかなりのコンピューティング能力が必要です。 ディープ ニューラル ネットワークを実行するために作られたプロセッサ (グラフィックス プロセッシング ユニット、GPU) は、かなりの量のエネルギーを消費します。 特に飛行ドローンのような小型ロボットの場合、センシングとコンピューティングに関して非常に限られたリソースしか搭載できないため、これは問題です。
動物の脳は、GPU で実行されるニューラル ネットワークとは大きく異なる方法で情報を処理します。 生物学的ニューロンは情報を非同期に処理し、主に、と呼ばれる電気パルスを介して通信します。 スパイク。 このようなスパイクの送信にはエネルギーがかかるため、脳はスパイクを最小限に抑え、処理がまばらになります。
動物の脳のこれらの特性に触発されて、科学者やテクノロジー企業は新しいものを開発しています。 ニューロモルフィック プロセッサー。 これらの新しいプロセッサにより、スパイク ニューラル ネットワークの実行が可能になり、より高速でエネルギー効率が向上することが期待されます。
「スパイキング ニューラル ネットワークによって実行される計算は、標準的なディープ ニューラル ネットワークの計算よりもはるかに単純です。」と博士課程の候補者であり、この記事の著者の 1 人であるジェシー・ハーゲナーズ氏は述べています。その理由を理解するには、人間が 6.25 x 3.45 + 4.05 x 3.45 を計算するよりも 5 + 8 を計算するほうがはるかに簡単であると考えることを考えてください。
ニューロモーフィック プロセッサをニューロモーフィック カメラなどのニューロモーフィック センサーと組み合わせて使用すると、このエネルギー効率はさらに向上します。 このようなカメラは、一定の時間間隔で画像を生成しません。 代わりに、各ピクセルは明るくなったり暗くなったときにのみ信号を送信します。 このようなカメラの利点は、動きをより迅速に認識でき、エネルギー効率が高く、暗い環境でも明るい環境でも適切に機能することです。 さらに、ニューロモーフィック カメラからの信号は、ニューロモーフィック プロセッサ上で実行されているスパイキング ニューラル ネットワークに直接入力することができます。 これらを組み合わせることで、自律型ロボット、特に飛行ドローンのような小型で機敏なロボットの巨大な実現要因を形成できます。
初めてのニューロモーフィックな視覚と飛行ドローンの制御
に掲載された記事で サイエンスロボティクス 2024 年 5 月 15 日、オランダのデルフト工科大学の研究者は、自律飛行にニューロモーフィックな視覚と制御を使用するドローンを初めて実証しました。 具体的には、ニューロモーフィックカメラからの信号を処理し、ドローンの姿勢と推力を決定する制御コマンドを出力するスパイクニューラルネットワークを開発した。 彼らはこのネットワークを、ドローンに搭載されたニューロモーフィック プロセッサであるインテルの Loihi ニューロモーフィック研究チップ上に展開しました。 ネットワークのおかげで、ドローンはあらゆる方向への自身の動きを認識し、制御することができます。
「私たちは多くの課題に直面しました」と、この研究に携わった研究者の一人、フェデリコ・パレデス・ヴァレス氏は言う。「しかし、最も困難だったのは想像することだった」 どうやって スパイク ニューラル ネットワークをトレーニングして、両方のトレーニングが十分に高速になるようにすることもできます。 そして 訓練されたネットワークは実際のロボットでもうまく機能するでしょう。 最終的に、2 つのモジュールで構成されるネットワークを設計しました。 最初のモジュールは、移動するニューロモーフィック カメラの信号から動きを視覚的に認識する方法を学習します。 カメラからのデータのみに基づいて、自己監視された方法で完全に自動的に実行されます。 これは、動物が自分で世界を認識することを学ぶのと同じです。 2 番目のモジュールは、シミュレーターで推定された動きを制御コマンドにマッピングする方法を学習します。 この学習はシミュレーションにおける人為的進化に依存しており、ドローンの制御に優れたネットワークほど子孫を残す可能性が高くなります。 人工的な進化が何世代にもわたって、スパイク ニューラル ネットワークの制御がますますうまくなり、最終的にはあらゆる方向にさまざまな速度で飛行できるようになりました。 私たちは両方のモジュールをトレーニングし、それらをマージできる方法を開発しました。 統合されたネットワークが実際のロボット上ですぐにうまく機能することを確認できてうれしく思いました。」
ニューロモーフィックな視覚と制御を備えたこのドローンは、暗いところから明るいところまで、さまざまな光条件下でさまざまな速度で飛行できます。 光を点滅させながら飛行することもできるため、ニューロモーフィック カメラのピクセルは、動きに関係のない大量の信号をネットワークに送信します。
ニューロモーフィック AI によるエネルギー効率と速度の向上
「重要なのは、私たちの測定結果がニューロモーフィック AI の可能性を裏付けているということです。ネットワークは平均して 1 秒あたり 274 ～ 1600 回実行されます。同じネットワークを小型の組み込み GPU で実行した場合、平均して 1 秒あたり 25 回しか実行されず、その差は大きく異なります」さらに、インテルの Loihi ニューロモーフィック研究チップは、ネットワークの実行時に 1.007 ワットを消費します。このうち 1 ワットは、プロセッサがチップをオンにするときに消費するアイドル電力だけです。比較すると、同じネットワークを実行する場合、組み込み GPU は 3 ワットを消費し、そのうち 1 ワットがアイドル電力で、2 ワットがネットワークの実行に費やされ、ニューロモーフィック アプローチにより AI がより高速かつ効率的に実行されます。はるかに小型の自律ロボットへの展開です」と、ニューロモーフィック ドローンの分野の博士課程候補者であるスタイン ストロバンツ氏は言います。
小型ロボット向けニューロモーフィック AI の将来の応用
「ニューロモーフィック AI により、すべての自律型ロボットはよりインテリジェントになるでしょう」とバイオインスピレーションドローンの教授であるグイド・デ・クルーン氏は述べています。温室での作物の監視から倉庫での在庫の追跡まで、さまざまな用途に使用できる小型の自律型ドローンの利点は、非常に安全であり、トマトの苗木の間のような狭い環境でも移動できることです。非常に安価なため、群れで配備することができ、探査やガス源の位置特定の設定で示したように、エリアをより迅速にカバーするのに役立ちます。
「現在の研究は、この方向に向けた大きな一歩です。しかし、これらのアプリケーションの実現は、ニューロモーフィック ハードウェアのさらなるスケールダウンと、ナビゲーションなどのより複雑なタスクに向けた機能の拡張にかかっています。」
#動物の脳にヒントを得た自律型ロボット向け #ゲームチェンジャー