Робототехнические технологии стали неотъемлемой частью повышения производительности труда человека, помогая ему выполнять разнообразные, сложные и трудоёмкие задачи быстро, точно и эффективно. Поэтому робототехнические технологии нашли широкое применение в самых разных областях, от личного до промышленного использования. Однако современным робототехническим технологиям и их вычислительной парадигме всё ещё не хватает встроенного интеллекта для эффективного взаимодействия с рабочей средой, реагирования правильными/ожидаемыми действиями и адаптации к изменениям в ней. В этом отношении недавние достижения в области нейроморфных вычислений с использованием импульсных нейронных сетей (SNN) продемонстрировали потенциал для реализации встроенного интеллекта в робототехнике посредством биоправдоподобной вычислительной парадигмы, имитирующей работу биологического мозга, известной как «нейроморфный искусственный интеллект (ИИ)». Однако область нейроморфной робототехники на основе ИИ всё ещё находится на ранней стадии развития, поэтому её разработка и внедрение для решения реальных задач ставят новые задачи в различных аспектах проектирования, таких как точность, адаптивность, эффективность, надёжность и безопасность. Для решения этих задач в данной статье рассматриваются способы реализации воплощенного нейроморфного ИИ для робототехнических систем с учетом наших перспектив: (P1) воплощенного интеллекта, основанного на эффективных правилах обучения, механизмах тренировки и адаптивности; (P2) кросс-уровневой оптимизации для энергоэффективных нейроморфных вычислений; (P3) репрезентативных и справедливых бенчмарков; (P4) повышения надежности и безопасности с минимальными затратами; (P5) безопасности и конфиденциальности для нейроморфных вычислений; и (P6) синергетического развития энергоэффективной и надежной нейроморфной робототехники. Кроме того, в данной статье определяются исследовательские задачи и возможности, а также излагается наше видение будущих исследований в области воплощенного нейроморфного ИИ для робототехники.
Робототехнические технологии стали критически важными и незаменимыми в повседневной жизни для повышения производительности человека и качества обслуживания, поскольку роботы обладают способностью выполнять разнообразные, сложные, а также трудоемкие задачи быстрее, точнее и эффективнее по сравнению с людьми. Следовательно, их развертывание для решения реальных проблем широко распространено в различных сценариях применения — от персональных до промышленных.
Однако современные робототехнические технологии и вычислительные парадигмы все еще испытывают недостаток «интеллекта», который определяется как способность взаимодействовать с рабочей средой, корректно интерпретировать сигналы датчиков (стимулы), реагировать на стимулы соответствующими действиями для достижения целей в ожидаемые временные рамки, а затем изучать влияние этих действий и постоянно адаптироваться к изменениям в неконтролируемых/динамичных рабочих средах эффективным образом [1].
Более того, помимо вышеуказанных аспектов производительности (таких как точность, адаптивность и эффективность), от этих роботов также ожидают надежной обработки данных, устойчивой к угрозам безотказности и безопасности, что обеспечивает достоверные результаты в различных рабочих условиях.*
*Перевод выполнен с помощью нейросетей
Embodied Neuromorphic Artificial Intelligence for Robotics: Perspectives, Challenges, and Research Development Stack
Robotic technologies have been an indispensable part for improving human productivity since they have been helping humans in completing diverse, complex, and intensive tasks in a fast yet accurate and efficient way. Therefore, robotic technologies have been deployed in a wide range of applications, ranging from personal to industrial use-cases. However, current robotic technologies and their computing paradigm still lack embodied intelligence to efficiently interact with operational environments, respond with correct/expected actions, and adapt to changes in the environments. Toward this, recent advances in neuromorphic computing with Spiking Neural Networks (SNN) have demonstrated the potential to enable the embodied intelligence for robotics through bio-plausible computing paradigm that mimics how the biological brain works, known as “neuromorphic artificial intelligence (AI)”. However, the field of neuromorphic AI-based robotics is still at an early stage, therefore its development and deployment for solving real-world problems expose new challenges in different design aspects, such as accuracy, adaptability, efficiency, reliability, and security. To address these challenges, this paper will discuss how we can enable embodied neuromorphic AI for robotic systems through our perspectives: (P1) Embodied intelligence based on effective learning rule, training mechanism, and adaptability; (P2) Cross-layer optimizations for energy-efficient neuromorphic computing; (P3) Representative and fair benchmarks; (P4) Low-cost reliability and safety enhancements; (P5) Security and privacy for neuromorphic computing; and (P6) A synergistic development for energy-efficient and robust neuromorphic-based robotics. Furthermore, this paper identifies research challenges and opportunities, as well as elaborates our vision for future research development toward embodied neuromorphic AI for robotics.
Robotic technologies have become critical and indispensable in everyday life for improving human productivity and quality of service, because robots have capabilities to complete diverse, complex, as well as intensive tasks faster, more accurate, and more efficient as compared to humans. Therefore, their deployments for solving real-world problems are widely spread from personal to industrial application use-cases. However, current robotic technologies and computing paradigm still lack “intelligence”, which is defined as the capability to interact with operational environments, correctly interpret the sensors’ signals (stimulus), respond the stimulus with proper actions to accomplish the goals within the expected time frame, then learn the impact of the actions and continuously adapt to changes in uncontrolled/dynamic operational environments in an efficient manner [1].
Furthermore, apart from the above performance aspect (i.e., accuracy, adaptability, and efficiency), these robots are also expected to perform robust processing against reliability and security threats, thus providing reliable outputs under diverse operational environments. These requirements can potentially be fulfilled by the neuromorphic computing paradigm through Spiking Neural Networks (SNNs) [1]–[3] due to the following reasons.