從外表看，這臺(tái)無人機(jī)和它的同類沒有很大不同，但實(shí)際上，它的“大腦”別有乾坤。

這是荷蘭代爾夫特理工大學(xué)團(tuán)隊(duì)研發(fā)的新式無人機(jī)，采用了基于動(dòng)物大腦工作原理的神經(jīng)形態(tài)圖像處理器來控制自主飛行。與目前在GPU（圖形芯片）上運(yùn)行的深度神經(jīng)網(wǎng)絡(luò)相比，動(dòng)物大腦使用的數(shù)據(jù)和能量更少。因此，神經(jīng)形態(tài)處理器非常適合小型無人機(jī)，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(jī)的深度神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)的速度比在GPU上運(yùn)行時(shí)快64倍，而能耗僅為后者的1/3。

如果這項(xiàng)技術(shù)進(jìn)一步發(fā)展，可能會(huì)使所有無人機(jī)都變得像飛蟲或鳥類一樣小巧、敏捷且智能。

上圖為第一架采用完全視覺控制的神經(jīng)形態(tài)AI無人機(jī)。

下圖為神經(jīng)形態(tài)無人機(jī)飛越花朵圖案，無人機(jī)從放在角落的神經(jīng)形態(tài)相機(jī)接收到視覺輸入。紅色表示像素變暗，綠色表示像素變亮。

圖片來源：圭多·德·克羅恩/代爾夫特理工大學(xué)

“進(jìn)階”為脈沖神經(jīng)網(wǎng)絡(luò)

人工智能（AI）擁有巨大潛力，可為自主機(jī)器人提供實(shí)際應(yīng)用所需的智力支持。然而，當(dāng)前的AI依賴于需要大量計(jì)算能力的深度神經(jīng)網(wǎng)絡(luò)。用于運(yùn)行深度神經(jīng)網(wǎng)絡(luò)的GPU又會(huì)消耗大量能量，特別是對(duì)于像無人機(jī)這樣的小型機(jī)器人來說，更是一個(gè)嚴(yán)重問題，因?yàn)樗鼈冊(cè)趥鞲泻陀?jì)算方面只能攜帶非常有限的資源。

動(dòng)物大腦處理信息的方式，則與GPU上運(yùn)行的神經(jīng)網(wǎng)絡(luò)截然不同。生物神經(jīng)元異步處理信息，主要通過尖峰電脈沖進(jìn)行通信。由于發(fā)送這樣的尖峰會(huì)消耗能量，因此大腦會(huì)自發(fā)最大限度地減少尖峰。

受動(dòng)物大腦這些特性的啟發(fā)，科學(xué)家們正在開發(fā)新的神經(jīng)形態(tài)處理器。這些新處理器允許運(yùn)行脈沖神經(jīng)網(wǎng)絡(luò)。

脈沖神經(jīng)網(wǎng)絡(luò)執(zhí)行的計(jì)算比標(biāo)準(zhǔn)深度神經(jīng)網(wǎng)絡(luò)中的計(jì)算簡(jiǎn)單得多。數(shù)字脈沖神經(jīng)元只需要添加整數(shù)，而標(biāo)準(zhǔn)神經(jīng)元必須相乘并添加浮點(diǎn)數(shù)。這使得脈沖神經(jīng)網(wǎng)絡(luò)更快、更節(jié)能。舉個(gè)例子，這就好比人類大腦可以簡(jiǎn)單地判斷出，計(jì)算5+8比計(jì)算6.25×3.45+4.05×3.45要容易得多。

如果將神經(jīng)形態(tài)處理器與神經(jīng)形態(tài)傳感器（如神經(jīng)形態(tài)相機(jī)）結(jié)合，這種能源效率還將進(jìn)一步提高。其信號(hào)可直接輸入在神經(jīng)形態(tài)處理器上運(yùn)行的脈沖神經(jīng)網(wǎng)絡(luò)，成為自主機(jī)器人的巨大推動(dòng)力。

　首次實(shí)現(xiàn)神經(jīng)形態(tài)視覺和控制

在發(fā)表于《科學(xué)·機(jī)器人》上的一篇文章中，荷蘭代爾夫特理工大學(xué)研究人員首次展示了這種使用神經(jīng)形態(tài)視覺和控制進(jìn)行自主飛行的無人機(jī)。具體來說，他們開發(fā)了一種脈沖神經(jīng)網(wǎng)絡(luò)，可處理來自神經(jīng)形態(tài)相機(jī)的信號(hào)，并輸出控制命令，以確定無人機(jī)的姿態(tài)和推力。他們將這個(gè)網(wǎng)絡(luò)部署在無人機(jī)上的神經(jīng)形態(tài)處理器上，即英特爾的Loihi神經(jīng)形態(tài)研究芯片。借助網(wǎng)絡(luò)，無人機(jī)可感知并控制自己在各個(gè)方向的運(yùn)動(dòng)。

訓(xùn)練脈沖神經(jīng)網(wǎng)絡(luò)其實(shí)是個(gè)巨大挑戰(zhàn)。研究團(tuán)隊(duì)設(shè)計(jì)了由兩個(gè)模塊組成的網(wǎng)絡(luò)。第一個(gè)模塊學(xué)習(xí)從移動(dòng)的神經(jīng)形態(tài)相機(jī)的信號(hào)中，通過視覺感知運(yùn)動(dòng)。它僅利用來自相機(jī)的數(shù)據(jù)，完全以自我監(jiān)督的方式自行完成，類似于動(dòng)物學(xué)習(xí)如何感知世界。

第二個(gè)模塊學(xué)習(xí)在模擬器中將估計(jì)的運(yùn)動(dòng)映射到控制命令。這種學(xué)習(xí)依賴于模擬中的人工進(jìn)化，經(jīng)過幾代人工進(jìn)化，脈沖神經(jīng)網(wǎng)絡(luò)就會(huì)越來越擅長(zhǎng)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(huán)境中穿梭，還是在明亮光線下翱翔，憑借其神經(jīng)形態(tài)視覺和控制，無人機(jī)能輕松實(shí)現(xiàn)不同的光照條件下的多種速度飛行。

　神經(jīng)形態(tài)AI大幅提高能效和速度

這是神經(jīng)形態(tài)AI的一次完美演出。

首先，該網(wǎng)絡(luò)平均每秒運(yùn)行274—1600次。而在小型嵌入式GPU上運(yùn)行的同一網(wǎng)絡(luò)，平均每秒僅運(yùn)行25次，相差10—64倍。

其次，在運(yùn)行該網(wǎng)絡(luò)時(shí)，英特爾Loihi神經(jīng)形態(tài)研究芯片耗電1.007瓦，其中1瓦是處理器在打開芯片時(shí)消耗的空閑功率，運(yùn)行網(wǎng)絡(luò)本身只需7毫瓦；相比之下，嵌入式GPU在運(yùn)行同一網(wǎng)絡(luò)時(shí)，耗電為3瓦，其中1瓦為空閑功率，2瓦用于運(yùn)行網(wǎng)絡(luò)。

神經(jīng)形態(tài)方法無疑使AI運(yùn)行更快、更高效，而且能輕松部署在微型自主機(jī)器人上。

拿微型自主無人機(jī)來說，其可用于監(jiān)測(cè)溫室作物、跟蹤倉(cāng)庫(kù)庫(kù)存等諸多領(lǐng)域。它們更安全，可在狹窄的環(huán)境中（比如幾株植物之間）順利導(dǎo)航；它們還非常便宜，可以成群部署，快速覆蓋一整個(gè)區(qū)域。

但科學(xué)家不會(huì)止步于此，他們正在進(jìn)一步縮小神經(jīng)形態(tài)硬件，并準(zhǔn)備將神經(jīng)形態(tài)AI擴(kuò)展到更復(fù)雜的任務(wù)中。

關(guān)鍵詞：