論文の概要: On the Importance of Neural Membrane Potential Leakage for LIDAR-based Robot Obstacle Avoidance using Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2507.09538v1
• Date: Sun, 13 Jul 2025 08:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.463316
• Title: On the Importance of Neural Membrane Potential Leakage for LIDAR-based Robot Obstacle Avoidance using Spiking Neural Networks
• Title（参考訳）: スパイクニューラルネットワークを用いたLIDARに基づくロボット障害物回避のための神経膜電位漏洩の重要性について
• Authors: Zainab Ali, Lujayn Al-Amir, Ali Safa,
• Abstract要約: 本稿では,LIDARデータから直接ロボットナビゲーションと障害物回避を行うためのスパイキングニューラルネットワーク(SNN)の利用について検討する。 スパイクするLeaky Integrate-and-Fireニューロンの膜電位リーク定数をSNN内で慎重に調整することにより、オンパーロボット制御精度を実現することができる。 この作業中に収集されたLIDARデータセットは、将来の研究に利益をもたらすことを期待して、オープンソースとしてリリースされている。
• 参考スコア（独自算出の注目度）: 1.0533738606966752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using neuromorphic computing for robotics applications has gained much attention in recent year due to the remarkable ability of Spiking Neural Networks (SNNs) for high-precision yet low memory and compute complexity inference when implemented in neuromorphic hardware. This ability makes SNNs well-suited for autonomous robot applications (such as in drones and rovers) where battery resources and payload are typically limited. Within this context, this paper studies the use of SNNs for performing direct robot navigation and obstacle avoidance from LIDAR data. A custom robot platform equipped with a LIDAR is set up for collecting a labeled dataset of LIDAR sensing data together with the human-operated robot control commands used for obstacle avoidance. Crucially, this paper provides what is, to the best of our knowledge, a first focused study about the importance of neuron membrane leakage on the SNN precision when processing LIDAR data for obstacle avoidance. It is shown that by carefully tuning the membrane potential leakage constant of the spiking Leaky Integrate-and-Fire (LIF) neurons used within our SNN, it is possible to achieve on-par robot control precision compared to the use of a non-spiking Convolutional Neural Network (CNN). Finally, the LIDAR dataset collected during this work is released as open-source with the hope of benefiting future research.
• Abstract（参考訳）: ロボティクスアプリケーションにニューロモルフィックコンピューティングを使用することは、高速だが低メモリでのスパイキングニューラルネットワーク(SNN)の顕著な能力と、ニューロモルフィックハードウェアに実装された際の計算複雑性の推測により、近年注目を集めている。 この能力により、SNNは、通常はバッテリー資源とペイロードが制限される自律ロボットアプリケーション(ドローンやローバーなど)に適している。 そこで本研究では,ロボットナビゲーションと障害物回避のためのSNNについて,LIDARデータから検討する。 障害物回避に使用する人力ロボット制御コマンドとともに、ラベル付きLIDARセンシングデータのデータセットを集めるために、LIDARを備えたカスタムロボットプラットフォームを設置する。 本稿は,LIDARデータを障害物回避のために処理する場合のSNN精度におけるニューロン膜漏洩の重要性について,我々の知る限り,まず第一に考察する。 スパイクするLeaky Integrate-and-Fire(LIF)ニューロンの膜電位リーク定数をSNN内で慎重に調整することにより,非スパイク畳み込みニューラルネットワーク(CNN)と比較して,ロボットによる制御精度が向上できることが示されている。 最後に、この研究で収集されたLIDARデータセットは、将来の研究に利益をもたらすことを期待して、オープンソースとしてリリースされている。

関連論文リスト

• 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)
• Detection of Fast-Moving Objects with Neuromorphic Hardware [12.323012135924374]
  スパイキングニューラルネットワーク(SNN)は、しばしば次世代ニューラルネットワーク(NN)と見なされる。 ニューロモルフィックコンピューティング(NC)とSNNは、しばしば次世代ニューラルネットワーク(NN)と見なされる。
  論文  参考訳（メタデータ） (2024-03-15T20:53:10Z)
• Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
  エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。 既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。 浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
  論文  参考訳（メタデータ） (2024-01-09T07:31:34Z)
• 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)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
  我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。 本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
  論文  参考訳（メタデータ） (2022-05-09T14:39:47Z)
• A Spiking Neural Network based on Neural Manifold for Augmenting Intracortical Brain-Computer Interface Data [5.039813366558306]
  脳-コンピュータインターフェース(BCI)は、脳内の神経信号をインストラクションに変換して外部デバイスを制御する。 高度な機械学習手法の出現により、脳-コンピュータインタフェースの能力はかつてないほど強化された。 ここでは、データジェネレータとしてスパイキングニューラルネットワーク(SNN)を用いる。
  論文  参考訳（メタデータ） (2022-03-26T15:32:31Z)
• FitAct: Error Resilient Deep Neural Networks via Fine-Grained Post-Trainable Activation Functions [0.05249805590164901]
  ディープニューラルネットワーク(DNN)は、パーソナルヘルスケアデバイスや自動運転車などの安全クリティカルなシステムにますます導入されている。 本稿では,DNNの微粒化後のアクティベーション機能を実装することで,DNNのエラーレジリエンスを高めるための低コストなアプローチであるFitActを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:07:50Z)
• 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)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。