[논문 리뷰] Scalability in Neural Control of Musculoskeletal Robots

Christoph Richter, Sören Jentzsch외 7명|arXiv (Cornell University)|2016. 01. 19.

Advanced Memory and Neural ComputingEngineering참고 문헌 30인용 수 18

한 줄 요약

이 논문은 뇌모방 신경 제어 프레임워크를 제안하며, Myorobotics 하드웨어 플랫폼과 SpiNNaker 뉴로모픽 컴퓨팅 시스템을 통합하여 인간 척추형 인체모방 근골격계 로봇에 대해 확장 가능한 실시간, 저전력 제어를 가능하게 한다. 닫힘형 소뇌 모델을 활용하여 최대 12개 관절에 대해 실시간, 저전력 제어를 수행하며, 인간과 유사한 뇌 기반 제어를 위한 확장 가능한 뉴로모픽 아키텍처를 제공한다.

ABSTRACT

Anthropomimetic robots are robots that sense, behave, interact and feel like humans. By this definition, anthropomimetic robots require human-like physical hardware and actuation, but also brain-like control and sensing. The most self-evident realization to meet those requirements would be a human-like musculoskeletal robot with a brain-like neural controller. While both musculoskeletal robotic hardware and neural control software have existed for decades, a scalable approach that could be used to build and control an anthropomimetic human-scale robot has not been demonstrated yet. Combining Myorobotics, a framework for musculoskeletal robot development, with SpiNNaker, a neuromorphic computing platform, we present the proof-of-principle of a system that can scale to dozens of neurally-controlled, physically compliant joints. At its core, it implements a closed-loop cerebellar model which provides real-time low-level neural control at minimal power consumption and maximal extensibility: higher-order (e.g., cortical) neural networks and neuromorphic sensors like silicon-retinae or -cochleae can naturally be incorporated.

연구 동기 및 목표

• 인간 척추형 인체모방 근골격계 로봇에 대해 확장 가능하고, 실시간이며 에너지 효율적인 뉴럴 제어가 부족한 문제를 해결하기 위해.
• 기존 로봇 제어 플랫폼의 한계, 예를 들어 유연하지 못한 뉴로모픽 시스템과 확장성 없는 신경망 시뮬레이터를 극복하기 위해.
• 고차원 뉴럴 네트워크와 뉴로모픽 센서(예: 실리콘 레티나, 코chl레아)를 통합된 확장 가능한 제어 아키텍처에 통합할 수 있도록 하기 위해.
• 실시간, 닫힘형 뉴럴 제어를 실현하며 최소한의 전력 소비와 높은 확장성을 갖춘 개념 증명 시스템을 구현하기 위해.

제안 방법

• 실시간 신경망 시뮬레이션을 위해 Myorobotics 근골격계 하드웨어 플랫폼과 SpiNNaker 뉴로모픽 컴퓨팅 플랫폼을 통합하기 위해.
• 유연한 관절의 저수준 실시간 뉴럴 제어를 제공하기 위해 SpiNNaker에 닫힘형 소뇌 모델을 구현하기 위해.
• 스パイ크 기반 패킷 통신에 직접적으로 대응하는 주소-이벤트 표현(AER)을 통해, 시각 및 听각을 위한 이벤트 기반 센서 인터페이스(예: AER)를 사용하기 위해.
• PyNN 및 Nengo와 같은 오픈소스 신경망 시뮬레이션 프레임워크를 활용하여 복잡한 뉴럴 네트워크 모델을 최소한의 수정으로 SpiNNaker에 이식하고 실행하기 위해.
• 여러 개의 SpiNN-IO 보드를 통해 유연한 FlexRay 기반 통신 아키텍처를 활용하여, 기본 12관절 제한을 초월한 관절 제어를 확장하기 위해.
• 기계적 스프링 상수와 경로 기하학적 구조를 기반으로 힘줄 변형을 측정하고, 근육 힘을 계산하기 위해 헬-효과 인코더를 활용하기 위해.

실험 결과

연구 질문

• RQ1 SpiNNaker과 같은 뉴로모픽 플랫폼이 다수의 유연한 근골격계 관절에 대해 실시간, 저전력, 확장 가능한 뉴럴 제어를 제공할 수 있는가?
• RQ2 뇌 기반 신경 제어기와 물리적 근골격계 로봇 하드웨어를 효과적으로 통합하여 자연스럽고 인간과 유사한 행동을 가능하게 할 수 있는가?
• RQ3 기존의 뉴로모픽 센서(예: 실리콘 레티나, 코chl레아)가 실시간 감각 피드백을 위해 뉴로모픽 제어 시스템과 직접적으로 통합될 수 있는 정도는 어느 정도인가?
• RQ4 고차원 뉴럴 네트워크(예:皮질 모델)가 SpiNNaker과 Myorobotics를 기반으로 한 확장 가능한 뉴럴 제어 스택에 원활하게 통합될 수 있는가?
• RQ5 인체모방 로봇의 뉴럴 제어에서 실질적인 확장성의 한계는 무엇이며, 분산 뉴로모픽 아키텍처를 통해 이를 어떻게 극복할 수 있는가?

주요 결과

• 시스템은 SpiNNaker에서 시뮬레이션된 소뇌 모델을 사용하여 500 Hz 업데이트 주기로 근골격계 관절의 실시간 제어를 성공적으로 달성하였다.
• 단일 SpiNN-IO 보드와 전용 FlexRay 제어기로 최대 12개 관절(24개 액추에이터)을 동시에 제어할 수 있었으며, 다수의 보드를 활용하여 확장성을 높였다.
• 이벤트 기반 감각 시스템인 실리콘 레티나와 코chl레아는 주소-이벤트 표현(AER) 매핑을 통해 SpiNNaker 플랫폼과 직접적으로 호환되었다.
• PyNN 또는 Nengo로 기술된 뉴럴 네트워크 모델은 최소한의 수정으로 SpiNNaker에 이식되어 뇌 기반 제어기의 신속한 통합을 가능하게 하였다.
• 프레임워크는 고차원 뉴럴 네트워크와 학습 규칙의 확장 가능한 통합을 지원하여 향후 전체 뇌 유사 제어 시스템의 개발을 가능하게 하였다.
• Myorobotics와 SpiNNaker의 조합은 인간 척추형 인체모방 로봇에 적합한 확장 가능한, 저전력이며 확장 가능한 플랫폼을 제공한다.