從外表看，這臺無人機和它的同類沒有很大不同，但實際上，它的“大腦”別有乾坤。
這是荷蘭代爾夫特理工大學團隊研發的新式無人機，采用了基于動物大腦工作原理的神經形態圖像處理器來控制自主飛行。與目前在GPU（圖形芯片）上運行的深度神經網絡相比，動物大腦使用的數據和能量更少。因此，神經形態處理器非常適合小型無人機，完全不需要笨重的大型硬件和電池。在飛行過程中，該無人機的深度神經網絡處理數據的速度比在GPU上運行時快64倍，而能耗僅為后者的1/3。
如果這項技術進一步發展，可能會使所有無人機都變得像飛蟲或鳥類一樣小巧、敏捷且智能。
“進階”為脈沖神經網絡
人工智能（AI）擁有巨大潛力，可為自主機器人提供實際應用所需的智力支持。然而，當前的AI依賴于需要大量計算能力的深度神經網絡。用于運行深度神經網絡的GPU又會消耗大量能量，特別是對于像無人機這樣的小型機器人來說，更是一個嚴重問題，因為它們在傳感和計算方面只能攜帶非常有限的資源。
動物大腦處理信息的方式，則與GPU上運行的神經網絡截然不同。生物神經元異步處理信息，主要通過尖峰電脈沖進行通信。由于發送這樣的尖峰會消耗能量，因此大腦會自發最大限度地減少尖峰。
受動物大腦這些特性的啟發，科學家們正在開發新的神經形態處理器。這些新處理器允許運行脈沖神經網絡。
脈沖神經網絡執行的計算比標準深度神經網絡中的計算簡單得多。數字脈沖神經元只需要添加整數，而標準神經元必須相乘并添加浮點數。這使得脈沖神經網絡更快、更節能。舉個例子，這就好比人類大腦可以簡單地判斷出，計算5＋8比計算6.25×3.45＋4.05×3.45要容易得多。
如果將神經形態處理器與神經形態傳感器（如神經形態相機）結合，這種能源效率還將進一步提高。其信號可直接輸入在神經形態處理器上運行的脈沖神經網絡，成為自主機器人的巨大推動力。
首次實現神經形態視覺和控制
在發表于《科學·機器人》上的一篇文章中，荷蘭代爾夫特理工大學研究人員首次展示了這種使用神經形態視覺和控制進行自主飛行的無人機。具體來說，他們開發了一種脈沖神經網絡，可處理來自神經形態相機的信號，并輸出控制命令，以確定無人機的姿態和推力。他們將這個網絡部署在無人機上的神經形態處理器上，即英特爾的Loihi神經形態研究芯片。借助網絡，無人機可感知并控制自己在各個方向的運動。
訓練脈沖神經網絡其實是個巨大挑戰。研究團隊設計了由兩個模塊組成的網絡。第一個模塊學習從移動的神經形態相機的信號中，通過視覺感知運動。它僅利用來自相機的數據，完全以自我監督的方式自行完成，類似于動物學習如何感知世界。
第二個模塊學習在模擬器中將估計的運動映射到控制命令。這種學習依賴于模擬中的人工進化，經過幾代人工進化，脈沖神經網絡就會越來越擅長控制，最終能夠以不同的速度向任何方向飛行。
最終，無論是在黑暗環境中穿梭，還是在明亮光線下翱翔，憑借其神經形態視覺和控制，無人機能輕松實現不同的光照條件下的多種速度飛行。
神經形態AI大幅提高能效和速度
這是神經形態AI的一次完美演出。
首先，該網絡平均每秒運行274—1600次。而在小型嵌入式GPU上運行的同一網絡，平均每秒僅運行25次，相差10—64倍。
其次，在運行該網絡時，英特爾Loihi神經形態研究芯片耗電1.007瓦，其中1瓦是處理器在打開芯片時消耗的空閑功率，運行網絡本身只需7毫瓦；相比之下，嵌入式GPU在運行同一網絡時，耗電為3瓦，其中1瓦為空閑功率，2瓦用于運行網絡。
神經形態方法無疑使AI運行更快、更高效，而且能輕松部署在微型自主機器人上。
拿微型自主無人機來說，其可用于監測溫室作物、跟蹤倉庫庫存等諸多領域。它們更安全，可在狹窄的環境中（比如幾株植物之間）順利導航；它們還非常便宜，可以成群部署，快速覆蓋一整個區域。
但科學家不會止步于此，他們正在進一步縮小神經形態硬件，并準備將神經形態AI擴展到更復雜的任務中。
從外表看，這臺無人機和它的同類沒有很大不同，但實際上，它的“大腦”別有乾坤。
這是荷蘭代爾夫特理工大學團隊研發的新式無人機，采用了基于動物大腦工作原理的神經形態圖像處理器來控制自主飛行。與目前在GPU（圖形芯片）上運行的深度神經網絡相比，動物大腦使用的數據和能量更少。因此，神經形態處理器非常適合小型無人機，完全不需要笨重的大型硬件和電池。在飛行過程中，該無人機的深度神經網絡處理數據的速度比在GPU上運行時快64倍，而能耗僅為后者的1/3。
如果這項技術進一步發展，可能會使所有無人機都變得像飛蟲或鳥類一樣小巧、敏捷且智能。
“進階”為脈沖神經網絡
人工智能（AI）擁有巨大潛力，可為自主機器人提供實際應用所需的智力支持。然而，當前的AI依賴于需要大量計算能力的深度神經網絡。用于運行深度神經網絡的GPU又會消耗大量能量，特別是對于像無人機這樣的小型機器人來說，更是一個嚴重問題，因為它們在傳感和計算方面只能攜帶非常有限的資源。
動物大腦處理信息的方式，則與GPU上運行的神經網絡截然不同。生物神經元異步處理信息，主要通過尖峰電脈沖進行通信。由于發送這樣的尖峰會消耗能量，因此大腦會自發最大限度地減少尖峰。
受動物大腦這些特性的啟發，科學家們正在開發新的神經形態處理器。這些新處理器允許運行脈沖神經網絡。
脈沖神經網絡執行的計算比標準深度神經網絡中的計算簡單得多。數字脈沖神經元只需要添加整數，而標準神經元必須相乘并添加浮點數。這使得脈沖神經網絡更快、更節能。舉個例子，這就好比人類大腦可以簡單地判斷出，計算5＋8比計算6.25×3.45＋4.05×3.45要容易得多。
如果將神經形態處理器與神經形態傳感器（如神經形態相機）結合，這種能源效率還將進一步提高。其信號可直接輸入在神經形態處理器上運行的脈沖神經網絡，成為自主機器人的巨大推動力。
首次實現神經形態視覺和控制
在發表于《科學·機器人》上的一篇文章中，荷蘭代爾夫特理工大學研究人員首次展示了這種使用神經形態視覺和控制進行自主飛行的無人機。具體來說，他們開發了一種脈沖神經網絡，可處理來自神經形態相機的信號，并輸出控制命令，以確定無人機的姿態和推力。他們將這個網絡部署在無人機上的神經形態處理器上，即英特爾的Loihi神經形態研究芯片。借助網絡，無人機可感知并控制自己在各個方向的運動。
訓練脈沖神經網絡其實是個巨大挑戰。研究團隊設計了由兩個模塊組成的網絡。第一個模塊學習從移動的神經形態相機的信號中，通過視覺感知運動。它僅利用來自相機的數據，完全以自我監督的方式自行完成，類似于動物學習如何感知世界。
第二個模塊學習在模擬器中將估計的運動映射到控制命令。這種學習依賴于模擬中的人工進化，經過幾代人工進化，脈沖神經網絡就會越來越擅長控制，最終能夠以不同的速度向任何方向飛行。
最終，無論是在黑暗環境中穿梭，還是在明亮光線下翱翔，憑借其神經形態視覺和控制，無人機能輕松實現不同的光照條件下的多種速度飛行。
神經形態AI大幅提高能效和速度
這是神經形態AI的一次完美演出。
首先，該網絡平均每秒運行274—1600次。而在小型嵌入式GPU上運行的同一網絡，平均每秒僅運行25次，相差10—64倍。
其次，在運行該網絡時，英特爾Loihi神經形態研究芯片耗電1.007瓦，其中1瓦是處理器在打開芯片時消耗的空閑功率，運行網絡本身只需7毫瓦；相比之下，嵌入式GPU在運行同一網絡時，耗電為3瓦，其中1瓦為空閑功率，2瓦用于運行網絡。
神經形態方法無疑使AI運行更快、更高效，而且能輕松部署在微型自主機器人上。
拿微型自主無人機來說，其可用于監測溫室作物、跟蹤倉庫庫存等諸多領域。它們更安全，可在狹窄的環境中（比如幾株植物之間）順利導航；它們還非常便宜，可以成群部署，快速覆蓋一整個區域。
但科學家不會止步于此，他們正在進一步縮小神經形態硬件，并準備將神經形態AI擴展到更復雜的任務中。
本文鏈接：向動物大腦學習：未來無人機像飛鳥一樣輕捷智能http://m.sq15.cn/show-2-6452-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 科學家繪出海底無脊椎動物活動圖譜
下一篇： 非人靈長類動物完整染色體序列首次發布