論文の概要: Neuromorphic control for optic-flow-based landings of MAVs using the Loihi processor

• arxiv url: http://arxiv.org/abs/2011.00534v1
• Date: Sun, 1 Nov 2020 15:25:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 22:55:31.928247
• Title: Neuromorphic control for optic-flow-based landings of MAVs using the Loihi processor
• Title（参考訳）: loihiプロセッサを用いたmavの視フローベースランディングのニューロモルフィック制御
• Authors: Julien Dupeyroux, Jesse Hagenaars, Federico Paredes-Vall\'es, and Guido de Croon
• Abstract要約: 空飛ぶロボットにLoihiニューロモルフィックチップのプロトタイプを組み込んだ完全な応用を初めて提示する。 スパイキングニューラルネットワーク(SNN)は、腹側視床の分散に基づいてスラスト指令を計算し、自律着陸を行う。 分析の結果、スラストセットポイントのルート平均2乗誤差が0.005gまで低くなり、隠れ層のスパイクシーケンスの99.8%が一致し、出力層の99.7%が一致することがわかった。
• 参考スコア（独自算出の注目度）: 3.3861246056563616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuromorphic processors like Loihi offer a promising alternative to conventional computing modules for endowing constrained systems like micro air vehicles (MAVs) with robust, efficient and autonomous skills such as take-off and landing, obstacle avoidance, and pursuit. However, a major challenge for using such processors on robotic platforms is the reality gap between simulation and the real world. In this study, we present for the very first time a fully embedded application of the Loihi neuromorphic chip prototype in a flying robot. A spiking neural network (SNN) was evolved to compute the thrust command based on the divergence of the ventral optic flow field to perform autonomous landing. Evolution was performed in a Python-based simulator using the PySNN library. The resulting network architecture consists of only 35 neurons distributed among 3 layers. Quantitative analysis between simulation and Loihi reveals a root-mean-square error of the thrust setpoint as low as 0.005 g, along with a 99.8% matching of the spike sequences in the hidden layer, and 99.7% in the output layer. The proposed approach successfully bridges the reality gap, offering important insights for future neuromorphic applications in robotics. Supplementary material is available at https://mavlab.tudelft.nl/loihi/.
• Abstract（参考訳）: loihiのようなニューロモルフィックなプロセッサは、micro air vehicle(mavs)のような制約付きシステムに対して、離陸や着陸、障害物回避、追跡といった堅牢で効率的で自律的なスキルを備えた、従来のコンピューティングモジュールに代わる有望な選択肢を提供する。 しかし、そのようなプロセッサをロボットプラットフォームで使用する上での最大の課題は、シミュレーションと現実世界の間の現実のギャップである。 本研究では,空飛ぶロボットにloihiニューロモルフィック・チップのプロトタイプが完全に組み込まれているのを初めて紹介する。 スパイキングニューラルネットワーク(SNN)は、腹側視床の分散に基づいて推力コマンドを計算し、自律着陸を行う。 進化はPythonベースのシミュレータでPySNNライブラリを使用して実行された。 ネットワークアーキテクチャは、わずか35のニューロンが3つの層に分散している。 シミュレーションとLoihiの定量的解析により、推力セットポイントのルート平均2乗誤差は0.005g、隠れた層のスパイクシーケンスの99.8%、出力層の99.7%が一致している。 提案されたアプローチは現実のギャップを埋めることに成功し、ロボット工学における将来のニューロモルフィック応用に重要な洞察を与える。 追加資料はhttps://mavlab.tudelft.nl/loihi/で入手できる。

関連論文リスト

• Natively neuromorphic LMU architecture for encoding-free SNN-based HAR on commercial edge devices [4.79664336929499]
  ニューロモルフィックモデル(Neuromorphic model)は、ヒトの脳からインスピレーションを受ける。 本稿では,L2MUについて述べる。L2MUはLeaky Integrate-and-Fireニューロンに依存している。 L2MUを手動のアクティビティからスマートウォッチの信号にベンチマークし、圧縮されたバージョンで3つの異なる商用エッジデバイスにデプロイしました。
  論文  参考訳（メタデータ） (2024-07-04T17:35:12Z)
• EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
  EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。 本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。 DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-20T10:36:24Z)
• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Tricking AI chips into Simulating the Human Brain: A Detailed Performance Analysis [0.5354801701968198]
  脳シミュレーションでは、複数の最先端AIチップ(Graphcore IPU、GroqChip、劣悪なCoreを持つNvidia GPU、Google TPU)を評価した。 性能解析の結果,シミュレーション問題はGPUとTPUアーキテクチャに極めてよく対応していることがわかった。 GroqChipは、小さなネットワークにおいて両方のプラットフォームより優れているが、精度の低い浮動小数点演算を実装しているため、脳シミュレーションではまだ利用できない。
  論文  参考訳（メタデータ） (2023-01-31T13:51:37Z)
• DLDNN: Deterministic Lateral Displacement Design Automation by Neural Networks [1.8365768330479992]
  本稿では、決定論的側方変位(DLD)問題に対処する高速多目的設計自動化プラットフォームについて検討する。 畳み込みニューラルネットワークと人工ニューラルネットワークを用いて、様々なDLD構成の速度場と臨界径を学習した。 開発ツールは12の臨界条件でテストされ、4%未満の誤差で確実に実行された。
  論文  参考訳（メタデータ） (2022-08-30T14:38:17Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Brian2Loihi: An emulator for the neuromorphic chip Loihi using the spiking neural network simulator Brian [0.0]
  この研究は、Loihiの計算ユニットのコヒーレントなプレゼンテーションを提供し、新しい、使いやすいLoihiプロトタイピングパッケージを導入している。 目的は、新しいアルゴリズムの概念化とデプロイの合理化を支援することである。
  論文  参考訳（メタデータ） (2021-09-25T08:17:18Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。