Flygande insekter kan navigera i sina miljöer effektivt, bearbeta visuella stimuli för att undvika hinder och landa säkert på en mängd olika ytor. Under det senaste decenniet eller så, forskarlag över hela världen har försökt replikera dessa kapaciteter i autonoma mikroluftfarkoster (MAV) med hjälp av mekanismer som liknar de som observeras hos insekter.

Forskare vid TU Delfts MAVLab har försökt utveckla insektsinspirerade tekniker som kan förbättra navigerings- och landningsstrategier i små drönare i flera år nu. I en nyligen förpublicerad tidning på arXiv, de introducerade en ny strategi för att skapa neuromorfa kontroller som kan förbättra landningar i MAV.

"På MAVLab vid TU Delft, vi studerar den autonoma flygningen av små drönare, "Jesse Hagenaars, en av forskarna som genomförde studien, berättade för TechXplore. "Detta är en stor utmaning, eftersom våra drönare (ibland så lätta som 20 gram) har extremt begränsade resurser när det gäller energi, avkänning och bearbetning. Det är därför vi hämtar mycket inspiration från naturen, och i synnerhet, från flygande insekter."

I tidigare arbeten, forskare vid MAVLab utvecklade en serie bioinspirerade tekniker för synbaserad rörelseuppskattning med hjälp av spikande neurala nätverk (SNN). SNN är en klass av artificiella neurala nätverk som nära efterliknar neurala nätverk i den mänskliga hjärnan, använda aktiveringsspikar för att beräkna och analysera information.

I deras nya studie, Hagenaars och hans kollegor ville ta sin teknik ett steg längre, använda dem för att styra flygning och landning av MAV. Att göra detta, de startade ett samarbete med det holländska nationella forskningsinstitutet för datavetenskap och matematik (CWI), som har hög kompetens inom utveckling av spikande neurala nätverk.

"Det slutliga målet med vår forskning är att koppla samman rörelseuppskattning och kontroll för att sluta med en helt bioinspirerad pipeline, som kommer att vara mycket effektivare när det gäller energiförbrukning än traditionella visionbaserade kontrollmetoder, " Sa Hagenaars. "För nu, att visa genomförbarheten av kontrolldelen, vi tillämpade vår strategi för landningsmanövrar."

De flesta tidigare utvecklade tekniker för att styra MAV under visionbaserad landning är baserade på proportionella kontroller och konventionella ANN. Styrenheter baserade på SNN har potential att uppnå liknande eller till och med bättre resultat med mycket större energieffektivitet.

Till skillnad från konventionella artificiella neurala nätverk (ANN), där varje enskild neuron överför ett verkligt värde vid varje tidssteg, SNN matar ut en binär spik endast när de får tillräcklig stimulering. Med tanke på att varje enskild spik eller beräkning kräver en viss mängd energi, SNN:er tenderar att vara mycket mer energieffektiva än konventionella ANN, eftersom de vanligtvis implementeras med hjälp av vad som kallas "neuromorf hårdvara."

"Medan vi inte implementerade våra spikkontroller på neuromorf hårdvara, vi gick ett steg längre när det gäller energieffektivitet, genom att minimera antalet toppar som används av nätverket för att utföra kontroll, ", sa Hagenaars. "Detta gjordes genom att inkludera antalet spikar som ett mål under den evolutionära optimeringen av kontrollerna."

Hagenaars och hans kollegor tränade sina SNN-baserade kontroller med hjälp av simuleringsverktyg, och sedan utvärderade deras prestanda i verkliga miljöer. Deras experiment gav mycket lovande resultat, med kontrollerna som möjliggör snabba och säkra MAV-landningar, samtidigt som SNN-spikar och därmed energiförbrukningen hålls till ett minimum.

Intressant, forskarna fann också att spikkontroller som producerar färre spikar (dvs. spenderar mindre energi) presterade lika bra som andra som producerar fler toppar. Faktiskt, Att begränsa antalet inkommande spikar verkade förenkla överföringen av en kontrollers landningsmöjligheter från simulerade miljöer till den verkliga världen.

"För det första, detta arbete är det första som integrerar spikande neurala nätverk i kontrollslingan av en verklig flygande robot, " sa Hagenaars. "För det andra, vi minimerar avsevärt spikhastigheten för kontrollerna, vilket skulle resultera i avsevärda energibesparingar när det implementeras på neuromorf hårdvara. Förutom att göra spiknätverken så små som möjligt, vi inkluderar nätverksspikhastighet som ett mål i utvecklingen med flera mål."

Hagenaars och hans kollegor vid TU Delft var bland de första att använda SNN för att styra flygande robotar i verkliga miljöer. Styrenheterna de skapade skulle i slutändan kunna hjälpa forskare att öka prestandan och energieffektiviteten hos både befintliga och nyutvecklade MAV, speciellt under landning.

"Vårt senaste dokument fokuserade bara på bioinspirerad kontroll baserat på en given rörelseuppskattning, ", sa Hagenaars. "Den faktiska metoden för att uppskatta denna rörelse var, dock, inte särskilt bioinspirerad. Därför, vi vill nu kombinera vår styrenhet med den bioinspirerade rörelseuppskattningsmetoden (även baserad på spiknätverk) som tidigare utvecklats av MAVLab, att sluta med en helt bioinspirerad pipeline."

Än så länge, forskarna har bara testat sina kontroller på konventionella chips, ändå kan de energibesparingar de förutspådde bara realiseras med hjälp av neuromorf hårdvara. I deras framtida arbete, de hoppas därför också kunna implementera dem på neuromorfa chips, som Intels Loihi-chip.

© 2020 Science X Network