KI-Verkörperung über 3D Simulation und neuromorphe Hardware
Die Neurorobotics Platform (NRP) ist eine webbasierte Software, die von fortiss im Rahmen des Human Brain Project mitentwickelt wird. Sie ermöglicht es Neurowissenschaftlern und KI-Experten, spikende neuronale Netze mit simulierten Verkörperungen zu verbinden, um die Lücke zwischen KI Theorie und Anwendungen zu schließen und um KI-Algorithmen in realen Anwendungsfällen einzusetzen.
Wir haben als erstes den neuromorphen Forschungs-Chip von Intel Loihi über einen gut etablierten Simulator für spikende, neuronale Netze namens Nengo in die NRP integriert. Wir setzten NRP als Benchmarking-Tool ein, um die Ausführung und das Lernen von spikenden neuronalen Netzen über verschiedene Simulatoren zu vergleichen, darunter Nest, SpiNNaker, Nengo und natürlich Loihi. Das Benchmarking-Experiment besteht aus einem mobilen schwimmenden Roboter, der mit einem spikenden Central Pattern Generator (CPG) gesteuert wird. Dieser basiert auf früheren Arbeiten im Projekt INRC1.
In einer zweiten Phase haben wir Loihi direkt in die NRP integriert, ohne Nengo, um schnellere Steuerungsalgorithmen in der Simulation mit Loihi-in-the-Loop laufen zu lassen. Dies ermöglichte uns, im Rahmen von INRC3 einen simulierten Roboterarm zu testen, der im NRP mit Reinforcement Learning für das Einfügen von Objekten trainiert wurde.
Bei diesem Projekt ging es hauptsächlich um die technische Integration des Loihi-Forschungschips in die NRP. Die wissenschaftlichen Auswirkungen sind jedoch enorm, da sie andere Forschungsprojekte ermöglichen. Neuromorphe Hardware in der Simulationsschleife zu haben, ist für Experimente und Forschungsentwicklung unerlässlich.
fortiss hat eine Schlüsselkompetenz in der Implementierung der Middleware, die es ermöglicht, neuronale Netze in Loihi über Nengo oder direkt in realistischen 3D-Simulationsexperimenten zu betreiben.
Die Forschung, die durch dieses Projekt ermöglicht wird, nämlich die Erforschung der Fortbewegung und Steuerung von Robotern, ist sehr wichtig, da es sich um ein aufstrebendes, aber intensiv erforschtes Gebiet handelt. Wir haben erfolgreich gezeigt, dass dies in einfachen Beispielen wie Schlangen und ihrer oszillierenden Fortbewegung oder Roboterarmen mit Reinforcement Learning möglich ist.
01.11.2019 - 31.03.2022
