論文の概要: Training slow silicon neurons to control extremely fast robots with spiking reinforcement learning

• arxiv url: http://arxiv.org/abs/2601.21548v1
• Date: Thu, 29 Jan 2026 11:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.755426
• Title: Training slow silicon neurons to control extremely fast robots with spiking reinforcement learning
• Title（参考訳）: スパイク強化学習による超高速ロボット制御のための低速シリコンニューロンの訓練
• Authors: Irene Ambrosini, Ingo Blakowski, Dmitrii Zendrikov, Cristiano Capone, Luna Gava, Giacomo Indiveri, Chiara De Luca, Chiara Bartolozzi,
• Abstract要約: スパイキングニューロンのネットワークは、混合信号アナログ/デジタルニューロモルフィックプロセッサ上で動作する。 我々は,少数の試行において,強化学習を通じてパックインタラクションを成功させるために,システムを訓練する。 この研究は、神経科学にインスパイアされたハードウェアと現実世界のロボット制御を橋渡しし、脳にインスパイアされたアプローチが、速いペースのインタラクションタスクに対処できることを示した。
• 参考スコア（独自算出の注目度）: 7.709259343105974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air hockey demands split-second decisions at high puck velocities, a challenge we address with a compact network of spiking neurons running on a mixed-signal analog/digital neuromorphic processor. By co-designing hardware and learning algorithms, we train the system to achieve successful puck interactions through reinforcement learning in a remarkably small number of trials. The network leverages fixed random connectivity to capture the task's temporal structure and adopts a local e-prop learning rule in the readout layer to exploit event-driven activity for fast and efficient learning. The result is real-time learning with a setup comprising a computer and the neuromorphic chip in-the-loop, enabling practical training of spiking neural networks for robotic autonomous systems. This work bridges neuroscience-inspired hardware with real-world robotic control, showing that brain-inspired approaches can tackle fast-paced interaction tasks while supporting always-on learning in intelligent machines.
• Abstract（参考訳）: エアホッケーは、高いパック速度でスプリット秒の判定を要求する。これは、混合信号アナログ/デジタルニューロモルフィックプロセッサ上で動作するスパイキングニューロンのコンパクトなネットワークで対処する課題である。 ハードウェアと学習アルゴリズムを共同設計することにより、極めて少数の試行において強化学習を通じてパックインタラクションを成功させるために、システムを訓練する。 ネットワークは、固定されたランダム接続を利用してタスクの時間構造をキャプチャし、読み取り層にローカルなe-prop学習ルールを採用して、イベント駆動型アクティビティを高速かつ効率的な学習に活用する。 その結果、コンピュータとニューロモルフィックチップをループに組み込んだリアルタイム学習が実現し、ロボット自律システムのためのスパイクニューラルネットワークの実践的なトレーニングを可能にした。 この研究は、神経科学にインスパイアされたハードウェアを現実世界のロボット制御で橋渡しし、脳にインスパイアされたアプローチは、知能マシンで常時学習をサポートしながら、速いペースのインタラクションタスクに対処できることを示した。

関連論文リスト

• Neuromorphic dreaming: A pathway to efficient learning in artificial agents [2.6542148964152923]
  本稿では、混合信号アナログ/デジタルニューロモルフィックハードウェア上でのスパイキングニューラルネットワーク(SNN)を用いたモデルベース強化学習(MBRL)のハードウェア実装について述べる。 このアプローチは、高サンプリング効率を実現しつつ、混合信号ニューロモルフィックチップのエネルギー効率を活用する。 我々は、ハードウェア実装をトレーニングして、AtariゲームPongをプレイすることで、モデルを検証する。
  論文  参考訳（メタデータ） (2024-05-24T15:03:56Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• Fully Spiking Neural Network for Legged Robots [6.974746966671198]
  脚のあるロボットのためのスパイキングニューラルネットワーク(SNN)は、シミュレーションされた地形において例外的な性能を示す。 SNNは推論速度とエネルギー消費の自然な利点を提供する。 本研究では,他の学習モデルにシームレスに統合可能な脚付きロボットのための高効率SNNを提案する。
  論文  参考訳（メタデータ） (2023-10-08T05:48:30Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• Versatile modular neural locomotion control with fast learning [6.85316573653194]
  脚のついたロボットは、高度に非構造的な環境で動作する大きな可能性を秘めている。 現在、コントローラは、特定のロボットのために手動で設計するか、機械学習メソッドで自動的に設計されなければならない。 高速な学習が可能な,単純かつ多目的なモジュール型ニューラルコントロール構造を提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:12:28Z)
• Robust trajectory generation for robotic control on the neuromorphic research chip Loihi [0.0]
  我々は、最近開発されたスパイクニューラルネットワークモデル、いわゆる異方性ネットワークを利用する。 我々は,Loihi上の異方性ネットワークが神経活動の逐次パターンを確実に符号化していることを示す。 そこで本研究では,複雑なロボットの動きを生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-26T16:02:39Z)
• Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
  動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。 そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
  論文  参考訳（メタデータ） (2020-04-02T02:56:16Z)
• Self learning robot using real-time neural networks [7.347989843033033]
  本稿では,ロボットの腕に実装されたニューラルネットワークの研究,開発,実験的解析を行う。 ニューラルネットワークは、グラディエントDescentとバックプロパゲーションのアルゴリズムを用いて学習する。 ニューラルネットワークの実装とトレーニングは、Raspberry pi 3上のロボット上でローカルに行われ、学習プロセスは完全に独立している。
  論文  参考訳（メタデータ） (2020-01-06T13:13:21Z)

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。