Utilisation des principes de calcul inspirés du cerveau pour apprendre l’inverse de la dynamique sur matériel neuromorphique

Contexte et motivation de la recherche

Dans le domaine de la robotique moderne, la réalisation de systèmes de traitement neuromorphique à faible latence pour des agents autonomes peut avoir un immense potentiel. Cependant, la variabilité et la faible précision du matériel actuel posent des défis sérieux pour la réalisation de performances stables et fiables. Pour relever ces défis, les chercheurs adoptent des principes de calcul inspirés du cerveau (computational primitives), tels que la plasticité dépendante du temps des pics triplet (triplet spike-timing dependent plasticity), les mécanismes de désinhibition basés sur les ganglions de la base, et les réseaux de coopération et de compétition, et appliquent ces techniques au contrôle du mouvement.

Cette étude démontre la faisabilité en présentant un exemple de réseau neuronal spiking (spiking neural network, SNN) implémenté sur un processeur neuromorphique à signal mixte pour l’apprentissage en ligne de la cinématique inverse d’un bras robotique à deux articulations. Le système final peut utiliser des neurones en silicium bruités pour un contrôle à faible latence, avec une précision de contrôle de 97,93%, une latence de réseau de 33,96 millisecondes, une latence du système de 102,1 millisecondes et une consommation d’énergie estimée à 26,92 microwatts lors de la phase d’inférence.

Source de l’article

L’article est rédigé par Jingyue Zhao, Marco Monforte, Giacomo Indiveri, Chiara Bartolozzi et Elisa Donati, respectivement des universités de Zurich, de l’École Polytechnique Fédérale de Zurich et de l’Institut Italien de Technologie. Il a été publié dans npj Robotics en 2023.

Processus de recherche détaillé

a) Méthodologie de travail

Le processus de recherche comprend les parties suivantes :

1. Collecte de données et formation du système : Utilisation du robot iCub dans un environnement simulé pour contrôler les articulations de l’épaule et du coude et générer des données d’entraînement.
2. Conception du modèle : Conception d’un ensemble de populations neuronales pour coder les coordonnées cartésiennes cibles de l’effecteur final et les angles des articulations correspondants.
3. Entraînement des poids : Entrainement des poids SNN on-chip en prenant en compte les imperfections du système, et mise en œuvre de la règle d’apprentissage basée sur le temps des pics.
4. Résolution de la cinématique inverse : Apprentissage de la carte correcte entre les deux couches cachées grâce à des synapses ajustables et mécanismes de désinhibition inspirés des ganglions de la base et des connexions récurrentes.
5. Vérification de la robustesse et test de faible consommation : Test de la robustesse et de la fiabilité du système avec des neurones bruités.

b) Principaux résultats de la recherche

1. Apprentissage de la cinématique inverse : Entraînement des articulations de l’épaule et du coude permettant au SNN de conduire les deux articulations en temps réel pour atteindre continuellement des points cibles dans un espace 2D.
2. Faible latence et faible consommation : Le SNN a montré une latence de réseau de 33,96 millisecondes et une consommation de 26,92 microwatts lors de la tâche de continuum de points cibles atteinte.
3. Rôle de la désinhibition dans l’entraînement : La recherche a démontré comment les mécanismes de désinhibition aident les neurones en silicium bruités à former des modèles de pics stables et à apprendre la cinématique inverse.

c) Conclusion et signification de l’étude

Cette recherche indique que certains principes de calcul, tels que les mécanismes de désinhibition et la plasticité dépendante du temps des pics triplet, ont des applications importantes dans la résolution de tâches d’ingénierie complexes et peuvent tirer parti de la conception des systèmes nerveux biologiques dans le calcul neuromorphique. L’étude fournit des preuves solides pour la conception de systèmes de robotique impulsionnelle de bout en bout, marquant une étape importante vers le développement de plateformes robotisées autonomes, efficaces et à faible consommation d’énergie.

d) Points forts de la recherche

1. Haute précision et faible latence : L’inverseur de cinématique développé dans la recherche peut atteindre une précision de 97,93% avec une latence de réseau aussi basse que 33,96 millisecondes.
2. Mécanismes innovants inspirés du biologique : Utilisation des mécanismes de désinhibition inspirés des ganglions de la base pour résoudre les problèmes de choix parmi plusieurs solutions potentielles, prouvant leur efficacité dans la coordination des tâches motrices.
3. Solution à faible consommation : Proposition d’une méthode utilisant des SNN à faible puissance pour le contrôle du mouvement des robots, montrant son potentiel pour les applications d’ingénierie réelles.

e) Autres informations complémentaires

Les futures directions de recherche incluent :

1. Extension à plusieurs degrés de liberté : Utilisation de plus de neurones pour augmenter l’espace des tâches, étendre l’espace de l’effecteur final de 2D à 3D et augmenter l’espace de configuration des articulations.
2. Résolution d’encodage neuronal plus élevée : Augmentation de la résolution d’encodage pour réduire les erreurs de discrétisation.
3. Construction d’une architecture neuronale complète : Établissement d’un flux de contrôle impulsionnel complet, depuis le capteur à déclenchement d’événement jusqu’au contrôleur de bas niveau à articulation unique.

Cette recherche fournit une base solide pour le développement futur des systèmes robotiques autonomes, avec des applications potentielles incluant le contrôle robotique adaptatif, les dispositifs portables à faible consommation et les équipements biomédicaux efficaces.

Conclusion

Cet article étend l’application du calcul neuromorphique au domaine du contrôle du mouvement robotique, en s’inspirant des systèmes nerveux biologiques pour proposer une solution efficace aux problèmes de cinématique inverse. Cette recherche a atteint un équilibre entre la faible latence, la faible consommation d’énergie et la haute précision dans des tâches d’ingénierie complexes, offrant une référence importante pour le développement futur des plateformes robotiques autonomes.