Neuromorphic Attitude Estimation and Control

要約

小さなドローンの現実世界の適用は、ほとんどがエネルギーの制限によって妨げられています。
神経型コンピューティングは、自律飛行に非常にエネルギー効率の高いAIを約束しますが、実際のロボットで訓練して展開することは依然として困難です。
神経モモルフィックコンピューティングの最大の利点を享受するには、低レベルの姿勢制御から高レベルのナビゲーションまで、単一の神経形態チップですべての自律機能をエンドツーエンドで実行する必要があります。
この研究では、スパイクニューラルネットワーク（SNN）を使用して、ドローンの生の感覚入力をモーターコマンドに直接マッピングするための最初の神経形態制御システムを提示します。
この方法は、小さなcrazyflieにSNNを展開し、四輪車の低レベルの姿勢の推定と制御に適用します。
モジュラーSNNを提案し、個別にトレーニングし、推定と制御サブネットワークをマージします。
SNNは、感覚運動ペアのフライトデータセットを使用して、模倣学習でトレーニングされています。
トレーニング後、ネットワークはCrazyFlieに展開され、500Hzのセンサー入力からコントロールコマンドを発行します。
さらに、トレーニング手順では、追加の励起でコントローラーを飛ばし、SNNの予測機能を強化するためにターゲットデータをタイムシフトすることにより、トレーニングデータを強化しました。
実際のドローンでは、認識からコントロールへのSNNは、通常のフライトスタックの2.7度と比較して、平均誤差が3.0度の姿勢コマンドを追跡します。
また、平均追跡エラーを減らし、振動を減らすための提案された学習修正の利点を示します。
私たちの仕事は、神経形態のエンドツーエンド制御を実行する可能性を示しており、高度なエネルギー効率が高く、低遅延の神経形成オートパイロットの基礎を築きます。

要約(オリジナル)

The real-world application of small drones is mostly hampered by energy limitations. Neuromorphic computing promises extremely energy-efficient AI for autonomous flight but is still challenging to train and deploy on real robots. To reap the maximal benefits from neuromorphic computing, it is necessary to perform all autonomy functions end-to-end on a single neuromorphic chip, from low-level attitude control to high-level navigation. This research presents the first neuromorphic control system using a spiking neural network (SNN) to effectively map a drone’s raw sensory input directly to motor commands. We apply this method to low-level attitude estimation and control for a quadrotor, deploying the SNN on a tiny Crazyflie. We propose a modular SNN, separately training and then merging estimation and control sub-networks. The SNN is trained with imitation learning, using a flight dataset of sensory-motor pairs. Post-training, the network is deployed on the Crazyflie, issuing control commands from sensor inputs at 500Hz. Furthermore, for the training procedure we augmented training data by flying a controller with additional excitation and time-shifting the target data to enhance the predictive capabilities of the SNN. On the real drone, the perception-to-control SNN tracks attitude commands with an average error of 3.0 degrees, compared to 2.7 degrees for the regular flight stack. We also show the benefits of the proposed learning modifications for reducing the average tracking error and reducing oscillations. Our work shows the feasibility of performing neuromorphic end-to-end control, laying the basis for highly energy-efficient and low-latency neuromorphic autopilots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google