使用神经形态自适应控制算法进行机械臂的时间域学习
该论文介绍了一种名为神经元适应算法的新方法,其通过利用神经科学中衍生的突触可塑性规则和三因素学习,在四足机器人中实现了实时的在线适应。
Jun, 2023
基于大脑启发的自适应神经路径重组的持续学习算法,在增量任务中通过自组织调控网络资源以有效应对多样化的认知任务,表现出卓越的性能、能量消耗和内存容量。具备学习更复杂任务、整合过去学习知识以及自我修复能力的特点。
Sep, 2023
利用脉冲神经网络 (SNN) 成功应用于四肢机器人,通过在多种模拟地形中实现优异的结果,SNN 在推理速度和能耗上具备自然优势,并且它们对于身体感知信号的脉冲形式处理提供了改进的生物相关性,据我们所知,这是首次在四肢机器人中实现 SNN 的工作。
Oct, 2023
在边缘计算领域的智能家具、机器人和智能家居等领域日益普及的背景下,本文介绍了 HyperSNN,这是一种将脉冲神经网络(SNNs)与超维计算相结合的创新控制任务方法。HyperSNN 通过将昂贵的 32 位浮点乘法替换为 8 位整数加法,降低能源消耗的同时增强了鲁棒性并可能提高准确性。我们的模型在包括 Cartpole、Acrobot、MountainCar 和 Lunar Lander 在内的 AI Gym 基准测试中进行了测试。HyperSNN 在控制精度上与传统机器学习方法相当,但仅使用了 1.36% 到 9.96% 的能量消耗。此外,我们的实验显示 HyperSNN 具有更强的鲁棒性。我们认为 HyperSNN 特别适用于交互式、移动和可穿戴设备,促进了能效和鲁棒系统设计的发展。此外,它为在实际工业场景中实现复杂算法如模型预测控制(MPC)铺平了道路。
Aug, 2023
提出了一种新的云边框架解决复杂控制系统中的计算和能源限制问题,采用了基于脉冲神经网络 (SNN) 的学习型控制器在物理设备上实施。通过将生物学合理的学习方法与本地可塑性规则结合,我们利用 SNN 的高效性、可扩展性和低延迟,在设备上直接复制云端控制器的控制信号,减少了对常量植物 - 云通信的需求。植物仅在错误超过预定义阈值时更新权重,确保在各种条件下的效率和鲁棒性。在线性工作台系统和卫星交会等场景中(包括避障),我们的架构通过增加网络规模将归一化跟踪误差显著降低了 96%。由于 SNN 的事件驱动特性,其能源消耗最小,仅约为标准计算需求的 111 nJ(0.3%)。结果展示了系统对不断变化的工作环境的调整以及对计算和能源资源的高效利用,与非障碍场景相比,静态和动态障碍物的能源消耗分别增加了 27.2% 和 37%。
Apr, 2024
利用神经形态学处理器,通过对事件数据进行卷积脉冲神经网络处理、将神经激活解码为规避动作、并使用动态运动基元调整路径规划,我们开发了一种神经形态学方法来进行具有摄像头的机械手的避障。通过模拟和实际世界实验,我们的神经形态学方法在可靠避免即将发生的碰撞方面表现出色,并且能够适应轨迹调整而对安全和可预测性标准的影响较小,这些结果为引入 SNN 学习、利用神经形态学处理器以及进一步探索神经形态学方法的潜力提供了动力。
Apr, 2024
本研究基于大自然神经系统的启发,应用突触可塑性规则训练带有局部信息的脉冲神经网络,使其适用于神经形态硬件的在线学习。其目的在于通过应用进化算法,使得各种不同任务的学习过程变得更加简单,通过提供一组各种局部信号、数学算子和全局奖励信号来找到最佳学习规则,我们发现通过这种方法可以成功解决 XOR 和车杆任务,并发现新的学习规则优于文献中的基准规则。
Feb, 2022
准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术(如神经网络)的 “黑盒子” 方法,在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略,证明级联神经网络在准确度和性能方面表现最佳。
Mar, 2024
通过仿效哺乳动物中央运动系统机制,我们提出了一种神经启发的分层强化学习算法,使得机器人能够学习丰富的运动技能并将其应用于复杂的任务环境中,而不依赖外部数据。
Nov, 2023