論文の概要: Fully Spiking Neural Network for Legged Robots
- arxiv url: http://arxiv.org/abs/2310.05022v1
- Date: Sun, 8 Oct 2023 05:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 13:26:15.675075
- Title: Fully Spiking Neural Network for Legged Robots
- Title（参考訳）: 足ロボットのための完全スパイクニューラルネットワーク
- Authors: Xiaoyang Jiang, Qiang Zhang, Jingkai Sun, Renjing Xu
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、脚のあるロボットを処理するために使用される。
SNNは、推論速度とエネルギー消費の観点から、従来のニューラルネットワークよりも自然な優位性を持っている。
我々の知る限りでは、脚のあるロボットにSNNを実装するのはこれが初めてだ。
- 参考スコア（独自算出の注目度）: 7.228021064624876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, legged robots based on deep reinforcement learning have made
remarkable progress. Quadruped robots have demonstrated the ability to complete
challenging tasks in complex environments and have been deployed in real-world
scenarios to assist humans. Simultaneously, bipedal and humanoid robots have
achieved breakthroughs in various demanding tasks. Current reinforcement
learning methods can utilize diverse robot bodies and historical information to
perform actions. However, prior research has not emphasized the speed and
energy consumption of network inference, as well as the biological significance
of the neural networks themselves. Most of the networks employed are
traditional artificial neural networks that utilize multilayer perceptrons
(MLP). In this paper, we successfully apply a novel Spiking Neural Network
(SNN) to process legged robots, achieving outstanding results across a range of
simulated terrains. SNN holds a natural advantage over traditional neural
networks in terms of inference speed and energy consumption, and their
pulse-form processing of body perception signals offers improved biological
interpretability. To the best of our knowledge, this is the first work to
implement SNN in legged robots.
- Abstract（参考訳）: 近年,深層強化学習に基づく脚型ロボットが目覚ましい進歩を遂げている。
四足歩行ロボットは複雑な環境で挑戦的なタスクを完了させる能力を示しており、人間を助ける現実世界のシナリオに展開されてきた。
同時に、二足歩行ロボットとヒューマノイドロボットは様々な要求課題においてブレークスルーを達成した。
現在の強化学習方法は、多様なロボット本体と歴史的情報を利用して行動を行うことができる。
しかし、以前の研究では、ネットワーク推論の速度とエネルギー消費量、およびニューラルネットワーク自体の生物学的意義を強調していない。
使用されるネットワークのほとんどは、多層パーセプトロン(MLP)を利用する従来のニューラルネットワークである。
本稿では,新しいスパイキングニューラルネットワーク(SNN)を脚付きロボットの処理に適用し,シミュレーションされた地形における優れた結果を得た。
SNNは、推論速度とエネルギー消費の観点から、従来のニューラルネットワークよりも自然な優位性を持ち、身体知覚信号のパルス波形処理により、生物学的解釈性が向上する。
我々の知る限りでは、脚のあるロボットにSNNを実装するのはこれが初めてだ。
関連論文リスト
- Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - Design and development of opto-neural processors for simulation of
neural networks trained in image detection for potential implementation in
hybrid robotics [0.0]
リビングニューラルネットワークは、消費電力の低減、処理の高速化、生物学的リアリズムの利点を提供する。
本研究は,オプトジェネティクスによる精密アクティベーションを用いたSTDPベースのアルゴリズムを逆伝播させることにより,間接的に訓練されたシミュレーション型生きたニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-01-17T04:42:49Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳（メタデータ） (2023-10-25T13:15:17Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - Towards efficient end-to-end speech recognition with
biologically-inspired neural networks [10.457580011403289]
軸-体性および軸-体性シナプスを模擬した神経接続概念を導入する。
我々は,大規模ASRモデルの生物学的に現実的な実装によって,競争性能が向上できることを初めて実証した。
論文 参考訳（メタデータ） (2021-10-04T21:24:10Z) - A toolbox for neuromorphic sensing in robotics [4.157415305926584]
ロボット上で利用可能なあらゆる種類のセンサからの入力信号をエンコードし、デコードするためのROS(Robot Operating System)ツールボックスを導入する。
このイニシアチブは、ニューロモルフィックAIのロボット統合を刺激し促進することを目的としている。
論文 参考訳（メタデータ） (2021-03-03T23:22:05Z) - Neuroevolution of a Recurrent Neural Network for Spatial and Working
Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。
提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文 参考訳（メタデータ） (2021-02-25T02:13:52Z) - Neuromorphic Processing and Sensing: Evolutionary Progression of AI to
Spiking [0.0]
スパイキングニューラルネットワークアルゴリズムは、計算と電力要求の一部を利用して高度な人工知能を実装することを約束する。
本稿では,スパイクに基づくニューロモルフィック技術の理論的研究について解説し,ハードウェアプロセッサ,ソフトウェアプラットフォーム,ニューロモルフィックセンシングデバイスの現状について概説する。
プログレクションパスは、現在の機械学習スペシャリストがスキルセットを更新し、現在の世代のディープニューラルネットワークからSNNへの分類または予測モデルを作成するために舗装されている。
論文 参考訳（メタデータ） (2020-07-10T20:54:42Z) - Recurrent Neural Network Learning of Performance and Intrinsic
Population Dynamics from Sparse Neural Data [77.92736596690297]
本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。
提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。
注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
論文 参考訳（メタデータ） (2020-05-05T14:16:54Z) - A Spiking Neural Network Emulating the Structure of the Oculomotor
System Requires No Learning to Control a Biomimetic Robotic Head [0.0]
バイオミメティック・ロボットヘッドのプロトタイプの心臓にニューロモルフィック・オキュロモータ・コントローラが配置されている。
コントローラは、すべてのデータがスパイクニューラルネットワーク(SNN)によって符号化され、処理されるという意味でユニークなものです。
ロボットの目標追跡能力について報告し、その眼球運動学は人間の眼研究で報告されたものと類似していることを示し、生物学的に制約された学習を用いて、その性能をさらに向上させることができることを示す。
論文 参考訳（メタデータ） (2020-02-18T13:03:06Z)
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。