Los insectos voladores pueden navegar por sus entornos de manera eficiente, procesando estímulos visuales para evitar obstáculos y aterrizar de forma segura en una variedad de superficies. Durante la última década más o menos, Equipos de investigación de todo el mundo han intentado replicar estas capacidades en microvehículos aéreos autónomos (MAV) utilizando mecanismos similares a los observados en insectos.

Los investigadores del MAVLab de TU Delft han estado tratando de desarrollar técnicas inspiradas en insectos que podrían mejorar las estrategias de navegación y aterrizaje en pequeños drones durante varios años. En un artículo reciente publicado previamente en arXiv, introdujeron una nueva estrategia para la creación de controladores neuromórficos que podrían mejorar los aterrizajes en MAV.

"En el MAVLab de TU Delft, estudiamos el vuelo autónomo de diminutos drones, "Jesse Hagenaars, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Este es un gran desafío, porque nuestros drones (a veces tan ligeros como 20 gramos) tienen recursos extremadamente limitados en términos de energía, detección y procesamiento. Por eso nos inspiramos mucho en la naturaleza, y en particular, de los insectos voladores ".

En trabajos anteriores, Los investigadores del MAVLab desarrollaron una serie de técnicas bioinspiradas para la estimación del movimiento basada en la visión utilizando redes neuronales de picos (SNN). Los SNN son una clase de redes neuronales artificiales que imitan estrechamente las redes neuronales del cerebro humano. utilizando picos de activación para calcular y analizar información.

En su nuevo estudio, los Hagenaar y sus colegas querían llevar sus técnicas un paso más allá, usándolos para controlar el vuelo y aterrizaje de MAV. Para hacer esto, iniciaron una colaboración con el instituto nacional de investigación holandés para ciencias de la computación y matemáticas (CWI), que tiene un alto nivel de experiencia en el desarrollo de redes neuronales de picos.

"El objetivo final de nuestra investigación es conectar la estimación y el control del movimiento para terminar con una tubería completamente bioinspirada, que será mucho más eficiente en términos de gasto energético que los enfoques tradicionales de control basados ​​en la visión, "Dijo Hagenaars." Por ahora, para demostrar la viabilidad de la parte de control, aplicamos nuestro enfoque a las maniobras de aterrizaje ".

La mayoría de las técnicas desarrolladas anteriormente para controlar MAV durante el aterrizaje basado en visión se basan en controladores proporcionales y ANN convencionales. Los controladores basados ​​en SNN tienen el potencial de lograr resultados similares o incluso mejores con eficiencias energéticas mucho mayores.

A diferencia de las redes neuronales artificiales (ANN) convencionales, en el que cada neurona individual transmite un valor real en cada paso de tiempo, Los SNN emiten un pico binario solo cuando reciben suficiente estimulación. Dado que cada pico o cálculo individual requiere una cierta cantidad de energía, Las SNN tienden a ser mucho más eficientes energéticamente que las ANN convencionales, ya que generalmente se implementan utilizando lo que se conoce como "hardware neuromórfico".

"Si bien no implementamos nuestros controladores de picos en hardware neuromórfico, Dimos un paso más en términos de eficiencia energética, minimizando el número de picos utilizados por la red para realizar el control, ", Dijo Hagenaars." Esto se hizo al incluir el número de picos como un objetivo durante la optimización evolutiva de los controladores ".

Hagenaars y sus colegas capacitaron a sus controladores basados ​​en SNN utilizando herramientas de simulación, y luego evaluó su desempeño en entornos del mundo real. Sus experimentos arrojaron resultados muy prometedores, con los controladores que permiten aterrizajes MAV rápidos y seguros, manteniendo al mínimo los picos de SNN y, por tanto, el gasto energético.

Curiosamente, Los investigadores también encontraron que los controladores de picos que producen menos picos (es decir, gastan menos energía) funcionan tan bien como otros que producen más picos. De hecho, Limitar el número de picos entrantes parecía simplificar la transferencia de las capacidades de aterrizaje de un controlador desde entornos simulados al mundo real.

"En primer lugar, este trabajo es el primero en integrar redes neuronales de picos en el bucle de control de un robot volador del mundo real, "Dijo Hagenaars." Segundo, minimizamos sustancialmente la tasa de picos de los controladores, lo que resultaría en ahorros de energía considerables cuando se implementa en hardware neuromórfico. Además de hacer que las redes de picos sean lo más pequeñas posible, incluimos la tasa de picos de red como un objetivo en la evolución multiobjetivo ".

Hagenaars y sus colegas de TU Delft fueron de los primeros en utilizar SNN para controlar robots voladores en entornos del mundo real. Los controladores que crearon podrían, en última instancia, ayudar a los investigadores a aumentar el rendimiento y la eficiencia energética de los MAV tanto existentes como desarrollados recientemente. particularmente durante el aterrizaje.

"Nuestro artículo reciente solo se centró en el control bioinspirado basado en una estimación de movimiento determinada, "Dijo Hagenaars." El método real para estimar este movimiento fue, sin embargo, no muy bioinspirado. Por lo tanto, ahora queremos combinar nuestro controlador con el método de estimación de movimiento bioinspirado (también basado en redes de picos) desarrollado previamente por MAVLab, para terminar con una tubería completamente bio-inspirada ".

Hasta aquí, los investigadores solo han probado sus controladores en chips convencionales, sin embargo, los ahorros de energía que predijeron solo se pueden lograr utilizando hardware neuromórfico. En su trabajo futuro, por lo tanto, también esperan implementarlos en chips neuromórficos, como el chip Loihi de Intel.

© 2020 Science X Network