INRC1

Die Steuerung von Roboteragenten innerhalb von Szenarien der realen Welt ist ein langjähriges Problem in der Steuerungstheorie, insbesondere da sich die Bedingungen und Umgebungen, in denen die Agenten agieren, im Laufe der Zeit ändern. Nichtlineare adaptive Regelungsmethoden versprechen, die Einschränkungen nicht-adaptiver Controller zu überwinden, indem sie multisensorisches Feedback in ihre eigenen Regelungsmethoden einbeziehen. Allerdings sind die Controller selbst durch ihre Rechengeschwindigkeit - da die Robotersteuerung so nah wie möglich an der Echtzeit sein muss - und durch ihren Energiebedarf begrenzt.

Eine vielversprechende Alternative zu den Grenzen bestehender Hardware zur Steuerung von Robotern ist neuromorphe Hardware, die die Möglichkeit bietet, komplexe adaptive Steuerungsalgorithmen rechen- und energieeffizient auszuführen. Solche Algorithmen sind in der Literatur bereits erforscht, mussten aber an Spiking Neural Networks (SNN) angepasst werden, um die entsprechende Hardware nutzen zu können. Diese Arten von Controllern mussten zunächst optimiert und auf einer Simulation ausgeführt werden, um dann auf einen realen Roboter mit einem neuromorphen Controller portiert zu werden, der sein virtuelles Gehirn antreibt.

In diesem abgeschossenen Projekt im Rahmen der Intel Neuromorphic Research Community untersuchten wir den neuromorphen Loihi-Chip für die Hardware-Steuerung eines schwimmenden schlangenähnlichen Roboters. Der Umfang beschränkte sich auf die Simulation in Gazebo und der Neurorobotics Platform (NRP).

Dieses einjährige Projekt wurde mit erfolgreichen Ergebnissen abgeschlossen und hat folgende Ziele erreicht:

1. Portierung bestehender nichtlinearer adaptiver Steuerungsmethoden, die für das Schwimmen von Robotern verwendet werden: die Theorie der Central Pattern Generators (CPG), die erfolgreich bei bio-inspirierten Robotern eingesetzt wird, wurde an Spiking Neural Networks angepasst.
2. Ein simuliertes Experiment mit einem schlangenähnlichen Roboter (ein Neunaugenmodell aus dem Biorobotik-Labor von Prof. Auke Ijspeert) wurde in Gazebo und Nengo durch die Verwendung der Neurorobotik-Plattform (NRP) eingerichtet, wobei sowohl eine partikelbasierte Fluidphysik-Engine als auch ein einfacher Fluid-Simulator für die NRP entwickelt wurden.
3. Es wurde sensorisches Feedback in Form von Geschwindigkeits-Feedback hinzugefügt, um sich automatisch an Änderungen der Fließgeschwindigkeit des Wassers anzupassen, indem die High-Level-Antriebe des Controllers mit einem PID angepasst werden.
4. Der Controller wurde auf Nengo implementiert und für den Betrieb auf Loihi-Hardware portiert.
5. Seine Genauigkeit, Energie- und Recheneffizienz wurden im Vergleich zu Nengo/CPU, Nengo/SpiNNaker und Nengo/Loihi getestet.

Der Vergleich zwischen der Spiking- und der ursprünglichen Non-Spiking-Methode wurde numerisch durchgeführt (siehe Veröffentlichung). Allerdings wurde dies nicht experimentell durchgeführt, indem explizit zwei Instanzen des simulierten Roboters mit diesen beiden Methoden gesteuert wurden, da dies keinen Mehrwert gegenüber dem numerischen Vergleich bietet und der Arbeitsaufwand nicht gerechtfertigt ist.

01.11.2019 - 02.12.2020

Intel and the Intel logo are trademarks of Intel Corporation in the U.S. and other countries.