通过第一次完全使用神经形态学视觉控制系统来自由控制飞行的实验，研究使用事件处理相机数据和脉冲神经网络实现无人驾驶和智能飞行机器人等基础任务的关键技术。

Mar, 2023

本文介绍了一种嵌入式系统 F-UAV-D（Fast Unmanned Aerial Vehicle Detector），利用动态视觉传感器（DVS）作为实时低功耗配置中 RGB 摄像头的替代品，通过利用 DVS 的高动态范围（HDR）和背景抑制，在亚优化的环境条件下检测快速移动的无人机的性能优于 RGB 输入。

Mar, 2024

Ev-Edge 是一个框架，通过三项关键优化技术提高边缘平台上基于事件的视觉系统的性能，包括将事件流转换为稀疏帧、动态稀疏帧聚合和网络映射。在多种自主导航任务中，Ev-Edge 相较于 NVIDIA Jetson Xavier AGX 平台上全 GPU 实现的单任务执行中具有 1.28 倍至 2.05 倍的延迟改进和 1.23 倍至 2.15 倍的能源改进，也相较于循环调度方法在多任务执行场景下具有 1.43 倍至 1.81 倍的延迟改进。

Mar, 2024

基于人脑中的预测编码模型和期望抑制现象，我们提出了一种时间注意机制，通过控制相机的输出使其仅在无法很好预测的情况下注意到视觉事件，从而不仅减少了传感器 - 处理器接口的能耗，而且通过过滤噪声事件有效地减少了计算工作量，我们证明了这种预测注意机制可将相机和处理器之间的数据通信量减少 46.7％，处理器上的计算活动减少 43.8％。

Feb, 2024

本文介绍了一种用于眼动追踪的神经形态学方法，利用由 Dynamic Vision Sensor（DVS）摄像头捕获的纯事件数据。该方法结合了一个经过直接训练的脉冲神经网络回归模型，并利用了一种先进的低功耗边缘神经形态学处理器 Speck，旨在提高眼动追踪系统的精确度和效率。

Dec, 2023

介绍了事件相机技术的工作原理，可用传感器和任务，包括低级视觉和高级视觉，并讨论了处理事件的技术，特别是基于学习的技术和专门为这些传感器设计的处理器，如脉冲神经网络，同时提出了待解决的挑战和未来机器感知及与世界互动的新机遇。

Apr, 2019

本文介绍了一种嵌入式智能视觉传感器芯片，包括基于事件驱动的相机和低功耗异步脉冲卷积神经网络计算体系结构，可以高效地提取大量传感器数据的高级信息，并以极低的延迟和能量消耗有效处理图像信息。

Apr, 2023

通过使用超低功耗的 GAP8 芯片与卷积神经网络，我们实现了一种使用图像视觉引导的自主导航算法，在小型纳米无人机上实现了全自主室内导航，提高了其对高速飞行中的障碍物的响应速度，同时公开了代码、数据集和模型参数，以促进无人机研究的发展

May, 2019

本文提出了一种基于视觉控制的硬件 - 软件控制系统，可以自主降落多旋翼无人机，使用 LiDAR 传感器测量地面以上的飞行高度，并在 1280 x 720 @ 60 fps 视频流中实时检测带标记的着陆平台，并以 96％的准确率检测了着陆平台，表明重新编程的异构计算系统是解决 UAV 问题的好方案，可以实现相对较低的能耗的实时数据流处理。

Apr, 2020

本文介绍了一种用于小型自主飞行器（如无人机）的自主导航引擎，此引擎基于神经网络和并行低功耗计算平台 GAP8，可以使得纳米无人机在严格的实时约束下完整地执行复杂的深度卷积神经网络，以实现闭环端到端可视化导航，同时系统耗能相对较小，且不会对飞行结果进行任何妥协。

May, 2018