Генератор центральных паттернов спайков для управления имитатором робота-миноги, работающим на нейроморфных платах SpiNNaker и Loihi

Модели центральных генераторов паттернов (ЦГП) давно используются для исследования как нейронных механизмов, лежащих в основе передвижения животных, так и в робототехнике. В данной работе мы предлагаем импульсную нейронную сеть центрального генератора паттернов (ЦГП) и ее реализацию на нейроморфном оборудовании в качестве средства управления смоделированной моделью миноги. Для построения нашей модели ЦГП мы используем естественно возникающие динамические системы, которые появляются благодаря использованию рекуррентных нейронных популяций в рамках нейронной инженерии (НЭИ). Мы определяем математическую формулировку нашей модели, которая представляет собой систему связанных абстрактных осцилляторов, модулируемых высокоуровневыми сигналами, способных создавать различные варианты движений. Мы показываем, что с помощью этой математической формулировки модели ЦГП модель может быть преобразована в импульсную нейронную сеть (ИНС), которую можно легко смоделировать с помощью Nengo, симулятора ИНС. Затем модель ЦГП используется для воспроизведения плавательных движений смоделированной модели робота-миноги в различных сценариях. Мы показываем, что, модифицируя входные данные для сети, которые могут поступать от сенсорных источников, робот может динамически управляться по направлению и темпу. Предложенная методология может быть обобщена на другие типы генераторов центральных паттернов (ГЦП), подходящие как для инженерных приложений, так и для научных исследований. Мы тестируем нашу систему на двух нейроморфных платформах, SpiNNaker и Loihi. Наконец, мы показываем, что эта категория алгоритмов генерации импульсов демонстрирует многообещающий потенциал для использования теоретических преимуществ нейроморфного оборудования с точки зрения энергоэффективности и скорости вычислений.*

*Перевод выполнен с помощью нейросетей

Central pattern generator (CPG) models have long been used to investigate both the neural mechanisms that underlie animal locomotion, as well as for robotic research. In this work we propose a spiking central pattern generator (SCPG) neural network and its implementation on neuromorphic hardware as a means to control a simulated lamprey model. To construct our SCPG model, we employ the naturally emerging dynamical systems that arise through the use of recurrent neural populations in the neural engineering framework (NEF). We define the mathematical formulation behind our model, which consists of a system of coupled abstract oscillators modulated by high-level signals, capable of producing a variety of output gaits. We show that with this mathematical formulation of the CPG model, the model can be turned into a spiking neural network (SNN) that can be easily simulated with Nengo, an SNN simulator. The SCPG model is then used to produce the swimming gaits of a simulated lamprey robot model in various scenarios. We show that by modifying the input to the network, which can be provided by sensory information, the robot can be controlled dynamically in direction and pace. The proposed methodology can be generalized to other types of CPGs suitable for both engineering applications and scientific research. We test our system on two neuromorphic platforms, SpiNNaker and Loihi. Finally, we show that this category of spiking algorithms displays a promising potential to exploit the theoretical advantages of neuromorphic hardware in terms of energy efficiency and computational speed.