在神经形态硬件上使用类脑计算原理的学习逆动力学

背景与研究动机

在现代机器人领域中，实现自主人工代理的低延迟神经形态处理系统具有巨大潜力。但目前硬件基础的可变性和低精度对其稳定和可靠性能的实现提出了严峻挑战。为了应对这些挑战，研究者们采用基于大脑启发的计算原理（computational primitives），如三元峰时间依赖可塑性（triplet spike-timing dependent plasticity）、基于基底神经节的去抑制机制以及合作竞争网络，并将这些技术应用于运动控制。

本研究通过展示一个使用混合信号神经形态处理器实现的硬件脉冲神经网络（spiking neural network，SNN）在线学习两关节机器人臂的逆运动学的示例，证明了这一方法的可行性。最终系统能够使用噪声硅神经元实现低延迟控制，其控制准确率达97.93%，网络延迟在33.96毫秒，系统延迟为102.1毫秒，推理阶段功耗估计为26.92微瓦。

论文来源

本文由Jingyue Zhao、Marco Monforte、Giacomo Indiveri、Chiara Bartolozzi和Elisa Donati撰写，分别来自苏黎世大学、苏黎世联邦理工学院和意大利技术研究所。论文发表于2023年的《npj Robotics》。

研究详细过程

a) 研究工作流程

研究过程包含如下几部分：

1. 数据采集和系统训练：通过模拟环境下的iCub机器人对肩部俯仰和肘部关节进行控制，生成训练数据。
2. 模型设计：设计一系列神经群体来编码末端执行器的目标笛卡尔坐标和相应的关节角度。
3. 权重训练：采用计算机在环的方式训练on-chip SNN权重，从而考虑系统的不理想性，基于峰时间实现学习规则。
4. 逆运动学求解：通过两个隐藏层之间的可训练突触学习正确映射策略，并引入基底神经节启发的去抑制机制及递归连接。
5. 健壮性验证和低功耗测试：通过噪声神经元测试系统的健壮性和可靠性。

b) 研究主要结果

1. 逆运动学学习：通过对shouder pitch和肘部关节的训练，使得SNN可以实时驱动两个关节，实现末端执行器在2D空间中连续到达目标点。
2. 低延迟与低功耗：在连续目标达到任务中，SNN显示了33.96毫秒的网络延迟以及26.92微瓦的芯片功耗。
3. 去抑制在训练中的作用：研究展示了去抑制机制如何在训练阶段帮助噪声硅神经元形成稳定的脉冲模式，从而学习逆运动学。

c) 研究结论及意义

这一研究表明，特定的计算原理（如去抑制机制和三元峰时间依赖可塑性）在解决复杂的工程任务方面具有重要的应用，可以在神经形态计算中借鉴生物神经系统的设计。研究为设计端到端脉冲机器人控制系统提供了有力的证据，这是实现高效、低功耗自主体态机器人平台发展的重要一步。

d) 研究亮点

1. 高准确率与低延迟：研究中开发的逆运动学求解器能够在97.93%的准确率下实现低至33.96毫秒的网络延迟。
2. 生物启发的创新机制：采用基底神经节启发的去抑制机制来解决多个可能解中的选择问题，验证了其在运动任务协调中的有效性。
3. 低功耗解决方案：提出了一种使用低功率SNN实现机器人运动控制的方法，展示了其在实际工程应用中的潜力。

e) 其他补充信息

未来研究方向包括：

1. 扩展至多个自由度：未来可以使用更多神经元来增加任务空间，并将末端执行器空间从二维扩展到三维，增加关节配置空间。
2. 更高的神经编码分辨率：通过增加编码分辨率以减少离散化误差。
3. 全面神经体系结构的构建：利用事件驱动传感器和单关节低级控制器，建立从高层控制器到低层执行的全脉冲控制流程。

该研究为未来自主机器人系统的发展提供了坚实基础，其潜在应用包括自适应机器人控制、低功耗可穿戴设备以及高效生物医学设备。

结语

本文扩展了神经形态计算在机器人运动控制领域的应用，通过借鉴生物神经系统的启发，展示了逆运动学问题的有效解决方案。该研究实现了在复杂工程任务中的低延迟、低功耗和高准确率的平衡，为未来自主体态机器人平台的开发提供了重要参考。