[论文解读] 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 4

一句话总结

本文提出了一种基于各向异性脉冲神经网络模型的神经形态控制算法，该算法在英特尔Loihi芯片上实现，实现了鲁棒、低延迟的机械臂控制。该方法成功地将毫秒级的脉冲活动映射到与控制相关的时标，生成了具有高可变性和抗噪声能力的稳定多维轨迹。

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.

研究动机与目标

• 解决将快速神经形态脉冲活动（毫秒时标）转换为在100毫秒时标下稳定的、与控制相关的运动指令的挑战。
• 在神经形态硬件上使用脉冲神经网络实现复杂、多维的机器人轨迹。
• 在保持足够神经模式可变性以支持多样化运动动作的同时，确保对噪声的鲁棒性。
• 通过实际物理机械臂在真实机器人控制任务中验证该方法。

提出的方法

• 将受生物启发的各向异性网络模型适配并实现于英特尔Loihi神经形态芯片上。
• 通过脉冲时间编码和 firing rate 编码，将序列化的神经活动模式映射到离散的机器人动作。
• 设计网络动力学，使其在固有噪声下仍能维持数百毫秒的稳定活动模式。
• 使用脉冲神经元动力学与突触可塑性，编码并重放运动指令的时间序列。
• 校准网络参数，以在轨迹多样性所需的可变性与可靠性能所需的鲁棒性之间取得平衡。
• 通过实际物理机械臂执行的真实世界机器人运动控制任务验证系统。

实验结果

研究问题

• RQ1 像Loihi这样的神经形态硬件能否可靠地编码并生成复杂机器人轨迹的控制信号？
• RQ2 如何将快速脉冲活动（毫秒时标）转换为机器人运动所需的100毫秒时标控制动作？
• RQ3 各向异性脉冲网络在支持多样化运动模式的同时，能在多大程度上保持对噪声的鲁棒性？
• RQ4 该网络是否能在无外部反馈或显式定时信号的情况下，生成稳定、多维的轨迹？

主要发现

• 在Loihi上的各向异性网络成功编码了代表不同机器人动作的序列化神经活动模式。
• 该系统从快速脉冲动力学中生成了在控制相关时标（数百毫秒）下稳定的多维轨迹。
• 在不损害复杂轨迹生成所需可变性的情况下，实现了对噪声的鲁棒性。
• 该算法仅通过脉冲神经网络动力学，即实现了在物理机械臂上可靠执行复杂运动任务。
• 该方法展示了能效优势和低延迟控制，充分利用了神经形态硬件的固有优势。
• 将受生物启发的网络原理迁移至神经形态硬件，实现了可扩展且自适应的机器人控制。