Neuromorphic force-control in an industrial task: validating energy and latency benefits

要約

ロボットがより賢く、よりユビキタスになるにつれて、インテリジェント・コンピューティングの消費電力を最適化することは、技術進歩の持続可能性を確保するために不可欠となる。ニューロモーフィック・コンピューティング・ハードウェアは、生物学的に着想を得たニューラル・アーキテクチャを利用することで、従来のフォン・ノイマン・コンピューティング・アーキテクチャと比較して、エネルギーと待ち時間の改善を実現します。このような利点をロボットに適用することは、ニューロロボティクスの分野において、比較的単純な制御タスクを対象としたいくつかの研究で実証されている。ここでは、ニューロモーフィック・コンピューティングを実際の産業タスクである物体挿入に適用した例を紹介する。我々は、シミュレーションで強化学習アプローチを用いて、力-トルクフィードバック制御を実行するスパイキングニューラルネットワーク（SNN）を訓練した。次に、このSNNをKUKAロボットアームと接続したIntelニューロモーフィック研究用チップLoihiに移植した。推論時には、現在のCPU/GPUアーキテクチャに匹敵するレイテンシーを示し、最先端の低エネルギーエッジハードウェアと比較して、1桁少ないエネルギー使用量を示した。この例は、実世界のロボット環境におけるニューロモルフィック・コントローラの概念実証として提供され、ロボット用インテリジェント・コントローラの開発におけるニューロモルフィック・ハードウェアの利点を強調している。

要約(オリジナル)

As robots become smarter and more ubiquitous, optimizing the power consumption of intelligent compute becomes imperative towards ensuring the sustainability of technological advancements. Neuromorphic computing hardware makes use of biologically inspired neural architectures to achieve energy and latency improvements compared to conventional von Neumann computing architecture. Applying these benefits to robots has been demonstrated in several works in the field of neurorobotics, typically on relatively simple control tasks. Here, we introduce an example of neuromorphic computing applied to the real-world industrial task of object insertion. We trained a spiking neural network (SNN) to perform force-torque feedback control using a reinforcement learning approach in simulation. We then ported the SNN to the Intel neuromorphic research chip Loihi interfaced with a KUKA robotic arm. At inference time we show latency competitive with current CPU/GPU architectures, and one order of magnitude less energy usage in comparison to state-of-the-art low-energy edge-hardware. We offer this example as a proof of concept implementation of a neuromoprhic controller in real-world robotic setting, highlighting the benefits of neuromorphic hardware for the development of intelligent controllers for robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL