[論文レビュー] Robust robotic control on the neuromorphic research chip Loihi.

Carlo Michaelis, Andrew B. Lehr+1 more|arXiv (Cornell University)|Aug 26, 2020

Advanced Memory and Neural Computing被引用数 4

ひとこと要約

この論文は、IntelのLoihiチップに実装された、異方性スパイクニューラルネットワークモデルに基づく神経モルフィック制御アルゴリズムを提示している。このアルゴリズムにより、ロバストで低レイテンシのロボットアーム制御が可能となり、ミリ秒スケールのスパイク活動を制御に関連する時間スケールにマッピングし、高いばらつきとノイズ耐性を備えた安定した多次元軌道を生成した。

ABSTRACT

Neuromorphic hardware has several promising advantages compared to von Neumann architectures and is highly interesting for robot control. However, despite the high speed and energy efficiency of neuromorphic computing, algorithms utilizing this hardware in control scenarios are still missing. One problem is the transition from fast spiking activity on the hardware, which acts on a timescale of a few milliseconds, to a control-relevant timescale on the order of hundreds of milliseconds. Another problem is to enable the execution of complex trajectories, requiring the spiking activity to contain sufficient variability, while at the same time, for reliable performance, network dynamics require adequate robustness against noise. In this study we exploit a recently developed biologically-inspired spiking neural network model, the so-called anisotropic network, as the basis for a neuromorphic algorithm for robotic control. For this, we identified and transferred the core principles of the anisotropic network to neuromorphic hardware using Intel's neuromorphic research chip Loihi and validated the system on trajectories from a motor-control task performed by a robot arm. We show that the anisotropic network on Loihi reliably encodes sequential patterns of neural activity, each representing a robotic action, and that the patterns allow the generation of multidimensional trajectories on control-relevant timescales. Taken together, our study presents a new algorithm that allows the control of complex robotic movements using state of the art neuromorphic hardware.

研究の動機と目的

• 高速な神経モルフィックスパイク活動（ミリ秒スケール）を、100ミリ秒スケールの制御に関連する運動指令に変換する課題に取り組む。
• 神経モルフィックハードウェア上でスパイクニューラルネットワークを用いて、複雑な多次元ロボット軌道を実現する。
• 多様な運動行動を可能にするために必要な神経パターンのばらつきを維持しつつ、ノイズに対してロバストであることを保証する。
• 物理的ロボットアームを用いた実際のロボット制御タスクにおいて、この手法を検証する。

提案手法

• IntelのLoihi神経モルフィックチップへの実装を目的として、生物学的にインspiredされた異方性ネットワークモデルを適応した。
• スパイクのタイミングと周波数コードを用いて、順序付けられた神経活動パターンを離散的なロボット動作にマッピングした。
• 内在的なノイズにもかかわらず、数100ミリ秒にわたって安定した活動パターンを維持できるようにネットワークダイナミクスを設計した。
• スパイクニューロンダイナミクスとシナプス可塑性を用いて、運動指令の時間的順序を符号化および再生した。
• 軌道の多様性に寄与するばらつきと、信頼性の高いパフォーマンスを維持するロバスト性の両立を図るために、ネットワークパラメータをキャリブレーションした。
• 物理的ロボットアームを用いた実世界のロボットモータ制御タスクを通じて、システムを検証した。

実験結果

リサーチクエスチョン

• RQ1 Loihiのような神経モルフィックハードウェアは、複雑なロボット軌道のための制御信号を信頼性を持って符号化・生成できるか？
• RQ2 ミリ秒スケールの高速スパイク活動を、ロボット運動に必要な100ミリ秒スケールの制御行動にどのように変換できるか？
• RQ3 異方性スパイクネットワークは、ノイズに対してどれほどロバストでありつつ、多様な運動パターンをサポートできるか？
• RQ4 外部フィードバックや明示的なタイミング信号なしに、安定した多次元軌道を生成できるか？

主な発見

• Loihi上での異方性ネットワークは、異なるロボット動作を表す順序付けられた神経活動パターンを効果的に符号化した。
• 高速スパイクダイナミクスから、制御に関連する時間スケール（数100ミリ秒）での安定した多次元軌道が生成された。
• 複雑な軌道生成に不可欠なばらつきを損なうことなく、ノイズに対するロバスト性が達成された。
• アルゴリズムにより、外部フィードバックや明示的タイミング信号なしに、スパイクニューラルネットワークダイナミクスのみで物理的ロボットアーム上で複雑なモータタスクを信頼性高く実行できた。
• 神経モルフィックハードウェアの本質的利点を活かし、エネルギー効率が高く低レイテンシの制御が実現された。
• 生物学的にインspiredされたネットワーク原則を神経モルフィックハードウェアに移行することで、スケーラブルで適応可能なロボット制御が可能になった。