Энергоэффективное одновременное отслеживание положения и построение карты (SLAM) крайне важно для мобильных роботов, исследующих неизвестные среды. Мозг млекопитающих решает задачу SLAM с помощью сети специализированных нейронов, демонстрируя асинхронные вычисления и событийные коммуникации при очень низком энергопотреблении. Мы предлагаем вдохновленную мозгом архитектуру спайковой нейронной сети (SNN), которая решает одномерную задачу SLAM, вводя спайковое преобразование системы отсчета, вычисление визуального правдоподобия и байесовский вывод. Мы интегрировали наш нейроморфный алгоритм в нейроморфный процессор Intel Loihi — аппаратную платформу с архитектурой, отличной от фон Неймана, которая имитирует вычислительные парадигмы мозга. Мы провели сравнительный анализ точности и энергоэффективности между нашим нейроморфным подходом и алгоритмом GMapping, широко используемым в небольших средах. Наша архитектура SNN на Loihi потребляет в 100 раз меньше энергии, чем GMapping, работающий на CPU, при сопоставимой точности в определении направления и построении карты. Эти результаты открывают путь для масштабирования нашего подхода в сторону альтернативных решений для активного SLAM на автономных роботах, управляемых Loihi.
Локализация (знание собственного положения) и картографирование (знание позиций окружающих ориентиров) — это основные навыки как для людей, так и для роботов, перемещающихся в неизвестных средах. Основная задача — получать точные оценки из зашумленных, подверженных ошибкам сигналов, обеспечивая надежность, эффективность и адаптивность.
Графовые [1], [2] и фильтровые [3], [4] подходы решали проблему SLAM либо путем оптимизации ограниченного графа, либо путем выполнения рекурсивной байесовской оценки. Поскольку они применяются для решения SLAM во все большем числе реальных приложений, эти подходы сталкиваются с растущими проблемами в минимизации энергопотребления.
Интересно, что эффективная и высокоточная локализация и картографирование являются «безусильными» характеристиками мозга млекопитающих [5]. За последние десятилетия был обнаружен ряд специализированных нейронов, включая граничные клетки, клетки направления головы, позиционные клетки, grid-клетки и клетки скорости, которые являются частью сети мозга, решающей задачи локализации и картографирования [6] энергоэффективным способом [7].
Крупномасштабные нейроморфные процессоры [8], [9], [10], [11] были предложены в качестве альтернативы фон Неймана традиционным вычислительным аппаратным средствам. Эти процессоры предлагают асинхронный событийный параллелизм и относительно эффективные решения для многих приложений мобильной робототехники [12], [13], [14]. В частности, процессор Intel Loihi [8] поддерживает on-chip обучение синапсов, многослойные дендритные деревья и другие вдохновленные мозгом компоненты, такие как синаптические задержки, гомеостаз и обучение на основе вознаграждения.
Чтобы использовать прорывной потенциал нейроморфных вычислений, нам необходимо разрабатывать новые алгоритмы, требующие переосмысления наших существующих решений «снизу вверх». Нейроморфные процессоры предназначены для работы со Спайковыми Нейронными Сетями (SNN) — специализированной вдохновленной мозгом архитектурой, в которой моделируемые нейроны emulate принципы обучения и вычислений своих биологических аналогов. SNN могут ввести ортогональное измерение в нейронную обработку, придерживаясь структуры биологических сетей, связанных с целевыми задачами. В частности, системы навигации и сенсомоторного контроля мозга вдохновили на создание SNN, решающих ряд проблем в робототехнике [15], [16], [17].
Особый интерес для данного исследования представляет SNN, вдохновленная навигационной системой мозга, которая позволяет мобильному роботу корректировать оценку своей позиции и карты простой среды, периодически используя сигнал абсолютной истины (ground-truth) [18].
В этой статье мы представляем биологически обоснованную архитектуру SNN, которая решает одномерную задачу SLAM на Loihi, не завися от внешней информации об абсолютной истине. Для этого наша предложенная модель определяет направление движения робота с помощью спайкового рекурсивного байесовского вывода на основе мультисенсорных сигналов, а именно визуальной информации и одометрии. Мы проверили нашу реализацию как в реальных, так и в смоделированных средах, сравнив ее с алгоритмом GMapping [3]. SNN генерировала представления о направлении робота и картографировала среду с производительностью, сравнимой с базовым уровнем, при этом потребляя менее 1% динамической мощности от него.
*Перевод выполнен с помощью нейросетей
Spiking Neural Network on Neuromorphic Hardware for Energy-Efficient Unidimensional SLAM
Energy-efficient simultaneous localization and mapping (SLAM) is crucial for mobile robots exploring unknown environments. The mammalian brain solves SLAM via a network of specialized neurons, exhibiting asynchronous computations and event-based communications, with very low energy consumption. We propose a brain-inspired spiking neural network (SNN) architecture that solves the unidimensional SLAM by introducing spike-based reference frame transformation, visual likelihood computation, and Bayesian inference. We integrated our neuromorphic algorithm to Intel’s Loihi neuromorphic processor, a non-Von Neumann hardware that mimics the brain’s computing paradigms. We performed comparative analyses for accuracy and energy-efficiency between our neuromorphic approach and the GMapping algorithm, which is widely used in small environments. Our Loihi-based SNN architecture consumes 100 times less energy than GMapping run on a CPU while having comparable accuracy in head direction localization and map-generation. These results pave the way for scaling our approach towards active-SLAM alternative solutions for Loihi-controlled autonomous robots. I. INTRODUCTION Localization, knowing one’s pose, and mapping, knowing the positions of surrounding landmarks, are essential skills for both humans and robots as they navigate in unknown environments. The main challenge is to produce accurate estimates from noisy, error-prone cues, with robustness, efficiency, and adaptivity. Graph-based [1], [2] and filterbased approaches [3], [4] have solved the simultaneous localization and mapping (SLAM) problem by either optimizing a constrained graph or performing recursive Bayesian estimation. As they are tackling SLAM in a growing number of real-world applications, these approaches face increasing challenges for minimizing energy consumption. Interestingly, efficient and highly accurate localization and mapping are ”effortless” characteristics of mammalian brains [5]. Over the last few decades, a number of specialized neurons, including border cells, head direction cells, place cells, grid cells, and speed cells, have been found to be part of a brain network that solves localization and mapping [6] in an energy-efficient manner [7]. Large-scale neuromorphic processors [8], [9], [10], [11] have been proposed as a non-Von Neumann alternative to traditional computing hardware. These processors offer asynchronous event-based parallelism and relatively efficient solutions to many mobile robot applications [12], [13], [14]. Particularly, Intel’s Loihi processor [8] supports on-chip *This work is supported by Intel’s INRC Grant Award GT, AS and KM are with the Computational Brain Lab, Department of Computer Science, Rutgers University, New Jersey, USA. synaptic learning, multilayer dendritic trees, and other braininspired components such as synaptic delays, homeostasis, and reward-based learning. To leverage the disruptive potential of neuromorphic computing, we need to develop new algorithms that call for a bottom-up rethinking of our already developed solutions. Neuromorphic processors are designed to run Spiking Neural Networks (SNN), a specialized brain-inspired architecture where simulated neurons emulate the learning and computing principles of their biological counterparts. SNNs can introduce an orthogonal dimension to neural processing by adhering to the structure of the biological networks associated with the targeted tasks. Specifically, the brain’s spatial navigation and sensorimotor systems have inspired the design of SNNs that solved a number of problems in robotics [15], [16], [17] Of particular interest for this study is an SNN inspired by the brain’s navigational system that enables a mobile robot to correct its estimate of pose and map of a simple environment, by periodically using a ground-truth signal [18]. In this paper, we present a biologically constrained SNN architecture which solves the unidimensional SLAM problem on Loihi, without depending on the external ground truth information. To do so, our proposed model determines the robot’s heading via spike-based recursive Bayesian inference of multisensory cues, namely visual and odometry information. We validated our implementation in both realworld and simulated environments, by comparing with the GMapping algorithm [3]. The SNN generated representations of the robot’s heading and mapped the environment with comparable performance to the baseline while consuming less than 1% of dynamic power.