Нейроморфное управление моделированной рукой с 7 степенями свободы с использованием Loihi

В данной статье мы представляем полностью импульсную нейронную сеть, работающую на чипе Intel Loihi, для управления в операционном пространстве смоделированной 7-степенной манипуляторной системы. Наш подход уникальным образом сочетает в себе методы нейронной инженерии и глубокого обучения для успешной реализации управления положением и ориентацией концевого эффектора. Процесс разработки включал четыре этапа: (1) проектирование сетевой архитектуры на основе узлов, реализующей аналитическое решение; (2) разработка нейронных сетей с изменяющейся скоростью для замены узлов; (3) переобучение сети для обработки импульсных нейронов и временной динамики; и, наконец, (4) адаптация сети к специфическим аппаратным ограничениям Loihi. Мы проводим сравнительный анализ контроллера на задаче достижения цели от центра к периферии, используя отклонение концевого эффектора от идеальной траектории в качестве метрики оценки. Среднеквадратичная ошибка (RMSE) окончательного нейроморфного контроллера, работающего на Loihi, лишь немного хуже аналитического решения, с отклонением от идеальной траектории на 4,13% больше, и потребляет на два порядка меньше энергии на одно вычисление, чем стандартные аппаратные решения. Несмотря на сохраняющиеся качественные расхождения, мы считаем, что эти результаты подтверждают как наш подход, так и потенциал нейроморфных контроллеров. Насколько нам известно, эта работа представляет собой наиболее продвинутую на сегодняшний день нейроморфную реализацию нейророботики.*

*Перевод выполнен с помощью нейросетей

In this paper, we present a fully spiking neural network running on Intel’s Loihi chip for operational space control of a simulated 7-DOF arm. Our approach uniquely combines neural engineering and deep learning methods to successfully implement position and orientation control of the end effector. The development process involved four stages: (1) Designing a node-based network architecture implementing an analytical solution; (2) developing rate neuron networks to replace the nodes; (3) retraining the network to handle spiking neurons and temporal dynamics; and finally (4) adapting the network for the specific hardware constraints of the Loihi. We benchmark the controller on a center-out reaching task, using the deviation of the end effector from the ideal trajectory as our evaluation metric. The RMSE of the final neuromorphic controller running on Loihi is only slightly worse than the analytic solution, with 4.13% more deviation from the ideal trajectory, and uses two orders of magnitude less energy per inference than standard hardware solutions. While qualitative discrepancies remain, we find these results support both our approach and the potential of neuromorphic controllers. To the best of our knowledge, this work represents the most advanced neuromorphic implementation of neurorobotics developed to date.