神経形態ハードウェアにおけるニューロコンピュータープリミティブを使用した逆運動学の学習

2024-06-03 Mon
神経形態ハードウェアにおける脳に倣った計算原理を用いた学習逆運動学背景と研究動機現代のロボティクスの分野では、自律的な人工エージェントの低遅延神経形態処理システムを実現することに大きな可能性がある。しかし現在のハードウェアは変動性と低精度があり、そのためその安定性と信頼性を確保することが厳しい課題となっている。これらの課題に対処するため、研究者たちは脳にインスパイアされた計算原理（computational primitives）を利用しています。例えば、三重スパイクタイミング依存プラスティシティ（triplet spike-timing dependent plasticity）、基底核に基づく脱抑制メカニズムおよび協力競技ネットワークなどを運動制御に応用しています。
本研究では、混合信号神経形態プロセッサを用いたハードウェアスパイキングニューラルネットワーク（spiking neural network、SNN）を用いて、二節ロボットアームの逆運動学をリアルタイムで学習する例を示すことで、この方法の有効性を証明しています。最終システムは、ノイズを含むシリコンニューロンを用いて低遅延制御を実現し、その制御精度は97.93%、ネットワーク遅延は33.96ミリ秒、システム遅延は102.1ミリ秒、推論フェーズの消費電力は26.92マイクロワットと推定されます。
論文の出典本文はJingyue Zhao、Marco Monforte、Giacomo Indiveri、Chiara BartolozziおよびElisa Donatiによって執筆され、それぞれチューリッヒ大学、チューリッヒ連邦工科大学およびイタリア技術研究所に所属しています。論文は2023年の《npj Robotics》に掲載されました。
研究の詳細な過程a) 研究ワークフロー研究プロセスは以下の各部分を含みます：
データ収集とシステムトレーニング：シミュレーション環境下でのiCubロボットを用いて、肩の俯角と肘の関節を制御し、トレーニングデータを生成します。
モデル設計：一連のニューロングループを設計し、エンドエフェクタの目標デカルト座標とそれに対応する関節角度をエンコードします。
重みのトレーニング：オンチップSNNの重みを訓練し、システムの非理想性を考慮してスパイクタイミングに基づいた学習ルールを用います。
逆運動学の解決：2つの隠れ層間の学習可能なシナプスを通じて正しいマッピング戦略を学習し、基底核に着想を得た脱抑制メカニズムおよび再帰接続を導入します。
ロバスト性の検証と低消費電力のテスト：ノイズニューロンを使用してシステムのロバスト性と信頼性をテストします。
b) 研究の主要結果逆運動学の学習：肩の俯角と肘の関節のトレーニングを通じて、SNNはリアルタイムで2つの関節を駆動し、エンドエフェクタが2次元空間で連続的に目標点に到達することができます。
低遅延と低消費電力：連続目標到達タスクにおいて、SNNは33.96ミリ秒のネットワーク遅延と26.92マイクロワットのチップ消費電力を示しました。
トレーニング中の脱抑制の役割：研究は、脱抑制メカニズムがトレーニング段階でノイズシリコンニューロンが安定したスパイクパターンを形成するのを助け、逆運動学を学習する方法を示しました。
c) 研究の結論および意義この研究は、特定の計算原理（例えば、脱抑制メカニズムや三重スパイクタイミング依存プラスティシティ）が複雑な工学的課題を解決する上で重要な応用を持つことを示しています。神経形態コンピューティングにおいて生物の神経システムの設計を模倣することが可能です。研究は、エンドツーエンドのスパイキングロボット制御システムを設計する際の有力な証拠を提供し、効率的で低消費電力の自律体ロボットプラットフォームの開発に向けた重要な一歩となります。
d) 研究のハイライト高精度と低遅延：研究で開発された逆運動学ソルバーは、97.93%の精度で33.96ミリ秒のネットワーク遅延を実現しています。
生物に着想を得た革新的なメカニズム：基底核にインスパイアされた脱抑制メカニズムを用いて複数の可能な解の選択問題を解決し、その運動タスクの調和における有効性を検証しています。
低消費電力ソリューション：低消費電力SNNを用いたロボットの運動制御方法を提案し、実際の工学的応用におけるその可能性を示しています。
e) その他の補足情報未来の研究方向には以下が含まれます：
複数の自由度への拡張：将来的には、より多くのニューロンを使用してタスク空間を増やし、エンドエフェクタの空間を2次元から3次元に拡張し、関節の配置空間を増加させることが可能です。
より高い神経エンコーディング解像度：エンコーディング解像度を増加させて、離散化誤差を減少させることが可能です。
全面的な神経アーキテクチャの構築：イベントドリブンセンサーと単関節低レベルコントローラーを利用して、高レベルコントローラーから低レベルエグゼキュータへの全スパイキング制御プロセスを構築します。
この研究は将来の自律ロボットシステムの発展に堅固な基盤を提供し、その潜在的な応用には、適応型ロボット制御、低消費電力ウェアラブルデバイスおよび効率的なバイオメディカルデバイスが含まれます。
結論本研究は、神経形態計算がロボット運動制御の分野における応用を拡張し、生物の神経システムからインスピレーションを得た逆運動学問題の効果的な解決策を示しています。この研究は、複雑な工学的課題における低遅延、低消費電力、および高精度のバランスを実現し、将来の自律体型ロボットプラットフォームの開発に重要な参考材料を提供します。