一个紧的神经形态系统,用于超高能效的设备机器人本地化.
Adam D Hines1, Michael Milford1, Tobias Fischer1
1QUT Centre for Robotics, Queensland University of Technology, 2 George St, Brisbane, QLD 4001, Australia.
Science robotics
|June 18, 2025
概括
神经形态计算可以实现高效的机器人本地化. 一个名为LENS的新系统使用尖端神经网络在边缘设备上进行准确,低功耗的视觉位置识别,其性能优于传统方法.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 神经形态工程的神经形态工程
- 计算机视觉 计算机视觉
背景情况:
- 边缘机器人本地化和导航面临着重大的计算和能源限制.
- 传统的视觉位置识别系统是资源密集型的,限制了它们在小型,耐久的平台上使用.
- 生物现实的神经形态网络对于实时边缘部署来说是复杂的.
研究的目的:
- 为边缘机器人开发一种节能的神经形态定位系统.
- 为了证明具有竞争力的位置识别性能,在模型尺寸和功耗降低的情况下.
- 为了使资源有限的机器人能够准确地在设备上定位.
主要方法:
- 在SynSense Speck芯片上集成尖端神经网络,基于事件的视觉传感器和神经形态处理器.
- 用神经形态系统 (LENS) 开发定位编码,用于视觉位置识别.
- 实时部署在六足机器人上进行大规模的横行测试.
主要成果:
- 在8公里的穿越路程中,LENS取得了竞争性的位置认可.
- 使用的模型是小的 (180 KB, 44,000 个参数) 和消耗<8%的传统方法的能量.
- 而LENS的准确度与绝对差异总和的准确度相当.
结论:
- 对于节能机器人定位,LENS提供了一个准确的,完全神经形态的解决方案.
- 该系统使资源有限的机器人能够在设备上进行大规模的部署.
- 硬件-算法融合是高效的神经形态边缘计算的关键.


