EV-Planner: Energy-Efficient Robot Navigation via Event-Based Physics-Guided Neuromorphic Planner

要約

視覚ベースの物体追跡は、障害物を回避するために自律的な航空ナビゲーションを実行するための重要な前段階です。
生物学にインスピレーションを得たニューロモーフィック イベント カメラは、さまざまな強度 (照明条件が悪い場合でも) を非同期的に検出できる機能、高いダイナミック レンジ、モーション ブラーに対する堅牢性により、フレームベースのカメラの強力な代替品として浮上しています。
スパイク ニューラル ネットワーク (SNN) は、エネルギー効率の高い方法でイベントを非同期に処理するために注目を集めています。
一方、物理ベースの人工知能 (AI) は、従来のアナログ ニューラル ネットワーク (ANN) 内に物理モデリングを介してシステム知識を埋め込むことができるため、最近注目を集めています。
このレターでは、ニューロモーフィック イベント カメラと物理ベースの AI を使用して障害物回避を実行する、イベントベースの物理ガイド付きニューロモーフィック プランナー (EV-Planner) を紹介します。
私たちは、移動するゲートを検出し、衝突を避けながら通過することを使命とする自律ドローンナビゲーションのタスクを検討します。
イベント カメラを使用して、教師なしの方法で浅いスパイク ニューラル ネットワークを使用してオブジェクト検出を実行します。
ドローンのローターに存在するブラシレス DC モーターの物理方程式を利用して、深度入力を使用して軽量のエネルギー認識物理誘導ニューラル ネットワーク (PgNN) をトレーニングします。
これにより、ほぼ最小のエネルギー経路を生成する最適な飛行時間が予測されます。
Gazebo シミュレーターでドローンを生成し、ロボット オペレーティング システム (ROS) を使用して、センサーと融合したビジョンから計画までの神経記号フレームワークを実装します。
衝突のない安全な飛行軌道に関するシミュレーション結果が、性能分析、アブレーション研究、および将来の研究の方向性とともに提示されます。

要約(オリジナル)

Vision-based object tracking is an essential precursor to performing autonomous aerial navigation in order to avoid obstacles. Biologically inspired neuromorphic event cameras are emerging as a powerful alternative to frame-based cameras, due to their ability to asynchronously detect varying intensities (even in poor lighting conditions), high dynamic range, and robustness to motion blur. Spiking neural networks (SNNs) have gained traction for processing events asynchronously in an energy-efficient manner. On the other hand, physics-based artificial intelligence (AI) has gained prominence recently, as they enable embedding system knowledge via physical modeling inside traditional analog neural networks (ANNs). In this letter, we present an event-based physics-guided neuromorphic planner (EV-Planner) to perform obstacle avoidance using neuromorphic event cameras and physics-based AI. We consider the task of autonomous drone navigation where the mission is to detect moving gates and fly through them while avoiding a collision. We use event cameras to perform object detection using a shallow spiking neural network in an unsupervised fashion. Utilizing the physical equations of the brushless DC motors present in the drone rotors, we train a lightweight energy-aware physics-guided neural network (PgNN) with depth inputs. This predicts the optimal flight time responsible for generating near-minimum energy paths. We spawn the drone in the Gazebo simulator and implement a sensor-fused vision-to-planning neuro-symbolic framework using Robot Operating System (ROS). Simulation results for safe collision-free flight trajectories are presented with performance analysis, ablation study and potential future research directions

arxiv情報

提供元, 利用サービス

arxiv.jp, Google