[论文解读] Enhancing Energy Efficiency and Reliability in Autonomous Systems Estimation using Neuromorphic Approach

Reza Ahmadvand, Safura Sharifi+1 more|arXiv (Cornell University)|Jul 16, 2023

Advanced Memory and Neural ComputingEngineering被引用 3

一句话总结

本文提出了一种基于脉冲神经网络（SNNs）的神经形态估计框架，以提升自主系统中的能效和可靠性。通过设计基于SNN的卡尔曼滤波器（SNN-KF）以及一种基于系统模型导出权重的鲁棒SNN-MSIF（无需学习），实现了约97%的脉冲发射减少，且在模型误差和神经元丢失情况下表现出更优的精度与鲁棒性，展示了其在低SWaP（尺寸、重量和功率）自主系统中的强大潜力。

ABSTRACT

Energy efficiency and reliability have long been crucial factors for ensuring cost-effective and safe missions in autonomous systems computers. With the rapid evolution of industries such as space robotics and advanced air mobility, the demand for these low size, weight, and power (SWaP) computers has grown significantly. This study focuses on introducing an estimation framework based on spike coding theories and spiking neural networks (SNN), leveraging the efficiency and scalability of neuromorphic computers. Therefore, we propose an SNN-based Kalman filter (KF), a fundamental and widely adopted optimal strategy for well-defined linear systems. Furthermore, based on the modified sliding innovation filter (MSIF) we present a robust strategy called SNN-MSIF. Notably, the weight matrices of the networks are designed according to the system model, eliminating the need for learning. To evaluate the effectiveness of the proposed strategies, we compare them to their algorithmic counterparts, namely the KF and the MSIF, using Monte Carlo simulations. Additionally, we assess the robustness of SNN-MSIF by comparing it to SNN-KF in the presence of modeling uncertainties and neuron loss. Our results demonstrate the applicability of the proposed methods and highlight the superior performance of SNN-MSIF in terms of accuracy and robustness. Furthermore, the spiking pattern observed from the networks serves as evidence of the energy efficiency achieved by the proposed methods, as they exhibited an impressive reduction of approximately 97 percent in emitted spikes compared to possible spikes.

研究动机与目标

• 为应对空间机器人和先进空中交通等自主系统中对低尺寸、重量和功率（SWaP）计算日益增长的需求。
• 在资源受限条件下，提升自主系统状态估计的能效和可靠性。
• 开发一种无需训练的神经形态估计框架，利用脉冲神经网络（SNNs）实现高效计算。
• 提升实时估计任务中对模型不确定性与神经元丢失的鲁棒性。

提出的方法

• 提出一种基于SNN的卡尔曼滤波器（SNN-KF），其网络权重直接由系统模型导出，从而无需训练过程。
• 引入SNN-MSIF，一种基于改进滑动创新滤波器（MSIF）的鲁棒变体，采用基于系统模型的权重矩阵。
• 利用脉冲编码理论，通过时间域脉冲模式编码状态估计，实现能效高效的计算。
• 通过蒙特卡洛仿真，对比SNN-KF与SNN-MSIF在精度与鲁棒性方面相对于经典KF与MSIF的表现。
• 通过测量实际脉冲数相对于最大可能脉冲数的减少量，评估能效表现。
• 通过比较SNN-MSIF与SNN-KF在神经元丢失与模型不确定性下的性能，分析其鲁棒性。

实验结果

研究问题

• RQ1 基于神经形态SNN的卡尔曼滤波器是否能在显著降低能耗的同时，实现与经典KF相当或更优的估计精度？
• RQ2 与SNN-KF相比，SNN-MSIF框架在模型不确定性和部分神经元失效情况下的表现如何？
• RQ3 SNN中的脉冲编码在多大程度上可降低自主系统估计中的计算能耗？
• RQ4 在SNN中使用由系统模型导出的权重是否能消除训练需求，同时保持良好的估计性能？
• RQ5 在神经形态估计框架中，能效与估计精度之间存在何种权衡？

主要发现

• 所提出的SNN-KF实现了与经典卡尔曼滤波器相当的估计精度，验证了其作为神经形态替代方案的可行性。
• SNN-MSIF在模型不确定性与神经元丢失方面表现出优于SNN-KF的鲁棒性，使其更适合实际部署。
• SNN框架实现了相对于最大可能脉冲数97%的显著脉冲发射减少，表明其具有极高的能效。
• SNN中的脉冲模式表明系统以极低活动水平运行，与神经形态硬件的节能潜力一致。
• 由于基于模型的权重初始化，SNN中无需训练，从而降低了计算开销并提升了可靠性。
• 蒙特卡洛仿真结果证实，SNN-MSIF在恶劣条件下仍能保持高精度，其鲁棒性优于SNN-KF。