Oct, 2023

用于腿型机器人的全脉冲神经网络

PDF
TL;DR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。
legged robotsdeep reinforcement learningspiking neural networkinference speedenergy consumption
发现论文，激发创造
  • 学习四肢机器人灵活动态技能

    通过在仿真中训练神经网络策略并将其转移到现实的四足动态平衡系统，研究创造了一种快速、自动且高效的数据生成方案，从而实现了在四足机器人技能方面的进一步提升。

    Jan, 2019

  • 低功耗神经形态处理硬件

    本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

    Jan, 2019

  • 脉冲神经网络深度学习

    该研究论文讨论深度脉冲神经网络的训练方法，比较有监督和无监督学习的准确性、计算成本和硬件友好性，发现深度脉冲神经网络在准确性方面仍落后于人工神经网络，但在许多任务中可以达到相同的准确性并需要更少的计算操作。

    Apr, 2018

  • 脉冲 Q 学习的深度强化学习

    本研究提出了一种名为 DSQN 的深度尖峰 Q 网络，使用非尖峰神经元的膜电压作为 Q 值的表示，可以从高维度的感官输入中直接学习稳健的决策，并在 17 个 Atari 游戏中表现出优异的性能，具有更好的学习稳定性和对抗攻击鲁棒性。

    Jan, 2022

  • 使脉冲神经网络工作：稳健的类脑无监督机器学习

    该文章讨论了 Spiking Neural Networks (SNNs) 的局限性，介绍了一种方法来解决这些问题使用无监督学习来快速发现输入数据中的稀疏可识别特征，使 SNNs 成为一种使用未标记数据进行快速、准确、高效、可解释和可重新部署的机器学习的新方法。

    Aug, 2022

  • 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

  • 完全脉冲行动者网络带有层内连接的强化学习

    借鉴昆虫中的非脉冲神经元，我们提出了一种完全脉冲的演员网络 (ILC-SAN)，其中利用了神经形态硬件、脉冲神经网络和深度强化学习，旨在实现高效的人工智能控制任务。

    Jan, 2024

  • 超越分类：直接训练脉冲神经网络实现语义分割

    本论文探讨了脉冲神经网络在语义分割方面的应用，通过替代全连接层和使用替代梯度学习方法，将基本的全卷积网络和 DeepLab 架构重构为 SNN 域的网络。实验表明，相较于 ANN 网络，SNN 网络在这个领域更加稳健和节能。

    Oct, 2021

  • 自适应脉冲循环神经网络精确高效的时间域分类

    本文介绍了一种使用新颖代理梯度和可调谐自适应尖峰神经元的循环网络，将基于脉冲的神经网络的性能提高至具有挑战性的时间域基准的最新水平，并展示了这些 SNN 的计算效率比具有可比性能的 RNN 高出一到三个数量级，从而使 SNN 成为 AI 硬件实现的有吸引力的解决方案。

    Mar, 2021

  • 脉冲神经网络在视觉地点识别中的应用

    在机器人领域，脉冲神经网络（SNNs）在神经元形态硬件上的实现为其高效能源、低延迟带来了巨大的潜力。我们的论文着重介绍了 SNN 在视觉场所识别（VPR）中的三个创新。首先，我们提出模块化 SNN，每个 SNN 代表一组非重叠的地理位置，为大型环境提供可扩展的网络。其次，我们提出模块化 SNN 集合，多个网络代表同一地点，与单一网络模型相比显著提高了准确性。我们的 SNN 非常紧凑且小巧，仅含有 1500 个神经元和 474k 个突触，因此非常适合进行集合操作。最后，我们研究了序列匹配在基于 SNN 的 VPR 中的作用，这是一种使用连续图像进行场所识别的技术。我们分析了 SNN 对集合操作和序列匹配的响应性，并与其他 VPR 技术进行了比较。我们的贡献突出了 SNN 在 VPR 中的可行性，提供了可扩展和稳健的解决方案，为其在各种对能源敏感的机器人任务中的应用铺平了道路。

    Nov, 2023