Jun, 2023

突触运动适应：三要素学习规则在尖峰神经网络中用于自适应机器人控制

PDF
TL;DR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。
legged robotssynaptic motor adaptationreal-time online adaptationquadruped robotsneuromorphic hardware
发现论文，激发创造
  • 使用神经形态自适应控制算法进行机械臂的时间域学习

    通过使用基于脉冲神经网络的自适应控制算法，本文探讨了机器人手臂学习其可到达位置（包括干扰）的能力，演示了这种自适应控制算法使得机器人手臂可以在新的动态环境下学习并更快地完成任务，同时保持了能源效率。

    Oct, 2022

  • 使用脉冲神经网络演化学习强化学习任务

    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

  • 突触动力学实现一阶自适应学习和权重对称性

    本文尝试回答生物神经系统是否可以采用梯度的一阶自适应优化方法，通过在突触内使用生物合理的机制呈现了 Adam 优化器的实现，提出了一个新的方法应用于生物合理的 Adam 学习规则，这些机制可能有助于阐明生物突触动力学如何促进学习。

    Dec, 2022

  • 基于神经启发的层次强化学习在运动控制中的应用

    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

  • 用遗传算法调整脉冲策略网络的突触连接而非权重

    通过遵循昆虫的感觉神经元通路，通过基因算法优化尖峰策略网络（SPN），应用可塑性突触连接解决机器人控制任务，其表现水平达到 DRL 方法的性能水平且具有显著更高的能量效率。

    Dec, 2022

  • 通过进化元学习快速适应的腿式机器人

    本文提出了一种适用于机器人的新的元学习方法，结合了基于演化策略的元学习和更具噪声容忍度的 Batch Hill-Climbing 适应算子，显著提高了机器人在高噪声环境下的动态变化适应能力。在测试时，我们的方法比基于梯度的方法性能更好，使机器人能够在不到 3 分钟的实际数据基础上适应变化。

    Mar, 2020

  • 具有自修改网络的元强化学习

    提出了一个新型的元强化学习模型，MetODS，利用动态连接权重和突触可塑性来进行连续的自我反思修改，实现了在代理策略空间中高效和强大的控制规则的学习。

    Feb, 2022

  • 位置优化器：一种自然启发的优化算法

    介绍了一种模仿生物神经可塑性的新型自然启发式优化算法，在三个数据集上进行了测试，并与梯度下降优化进行了比较。

    Apr, 2022

  • 随机网络中基于赫比塞塑性的元学习

    受生物神经元可塑性启发，我们提出了一种搜索方法，通过寻找突触特异的赫比学习规则，使网络能在智能体的生命周期内持续自组织其权重，从而实现在一些强化学习任务中取得成功，同时对多种感官模态处理方式具有适应性。

    Jul, 2020

  • 自适应突触电路增强尖峰神经网络的时空预测学习

    本文提出了一种新的时空电路（STC）模型，通过集成两个可学习的自适应路径来增强尖峰神经元的时间记忆和空间协调能力，从而解决现有 SNN 模型在处理复杂、动态的时空预测任务中缺乏长期时序依赖性建模和空间信息交互能力的问题。通过在多个时空预测数据集上进行广泛的实验，证明了该模型优于其他自适应模型，并且与现有的尖峰神经元模型兼容，丰富了 SNN 的特异性和拓扑复杂性。

    Jun, 2024