要約
ロボット システムの同時推定と制御は依然として継続的な課題であり、コントローラーは不確実性とノイズに満ちた状態/パラメーターから抽出されたデータに依存しています。
フレームワークの適合性はタスクの複雑さと計算上の制約に左右され、計算効率とミッションクリティカルな精度のバランスが求められます。
この研究では、ニューロモーフィック コンピューティング、特にスパイキング ニューラル ネットワーク (SNN) の最近の進歩を推定および制御アプリケーションに活用しています。
私たちが提示したフレームワークは、漏洩統合発火 (LIF) ニューロンのリカレント ネットワークを採用し、堅牢なフィルタリング戦略、修正スライディング イノベーション フィルター (MSIF) を通じて線形二次レギュレーター (LQR) を模倣します。
MSIF の堅牢性と SNN の計算効率の両方の利点を活用するこのフレームワークは、トレーニングを必要とせずに、目的のシステム モデルに一致するように SNN 重み行列をカスタマイズします。
さらに、ネットワークは、予測コーディングと同様の生物学的に妥当な起動ルールを採用しています。
不確実性がある場合、SNN-LQR-MSIF を非スパイク LQR-MSIF および最適な線形二次ガウス (LQG) 戦略と比較します。
宇宙ロボット工学における Clohessy-Wiltshire (CW) モデルを実装した、ワークベンチの線形問題と衛星ランデブー操作にわたる評価により、SNN-LQR-MSIF が計算効率、堅牢性、および精度において許容可能なパフォーマンスを達成していることが実証されました。
これにより、動的システムにおける推定と制御の同時の課題に対処するための有望なソリューションとして位置づけられます。
要約(オリジナル)
Concurrent estimation and control of robotic systems remains an ongoing challenge, where controllers rely on data extracted from states/parameters riddled with uncertainties and noises. Framework suitability hinges on task complexity and computational constraints, demanding a balance between computational efficiency and mission-critical accuracy. This study leverages recent advancements in neuromorphic computing, particularly spiking neural networks (SNNs), for estimation and control applications. Our presented framework employs a recurrent network of leaky integrate-and-fire (LIF) neurons, mimicking a linear quadratic regulator (LQR) through a robust filtering strategy, a modified sliding innovation filter (MSIF). Benefiting from both the robustness of MSIF and the computational efficiency of SNN, our framework customizes SNN weight matrices to match the desired system model without requiring training. Additionally, the network employs a biologically plausible firing rule similar to predictive coding. In the presence of uncertainties, we compare the SNN-LQR-MSIF with non-spiking LQR-MSIF and the optimal linear quadratic Gaussian (LQG) strategy. Evaluation across a workbench linear problem and a satellite rendezvous maneuver, implementing the Clohessy-Wiltshire (CW) model in space robotics, demonstrates that the SNN-LQR-MSIF achieves acceptable performance in computational efficiency, robustness, and accuracy. This positions it as a promising solution for addressing dynamic systems’ concurrent estimation and control challenges in dynamic systems.
arxiv情報
著者 | Reza Ahmadvand,Sarah Safura Sharif,Yaser Mike Banad |
発行日 | 2023-10-05 20:05:47+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google