[ad_1]
Un equipo de investigadores de la Universidad Tecnológica de Delft ha desarrollado un dron que vuela de forma autónoma utilizando procesamiento y control de imágenes neuromórficas basado en el funcionamiento de cerebros animales. Los cerebros de los animales utilizan menos datos y energía en comparación con las redes neuronales profundas actuales que se ejecutan en GPU (chips gráficos). Por lo tanto, los procesadores neuromórficos son muy adecuados para drones pequeños porque no necesitan hardware ni baterías grandes y pesados. Los resultados son extraordinarios: durante el vuelo, la profunda red neuronal del dron procesa datos hasta 64 veces más rápido y consume tres veces menos energía que cuando funciona con una GPU. Futuros desarrollos de esta tecnología pueden permitir el salto para que los drones se vuelvan tan pequeños, ágiles e inteligentes como insectos o pájaros voladores. Los hallazgos fueron publicados recientemente en Robótica científica.
Aprendiendo del cerebro de los animales: potenciando las redes neuronales
La inteligencia artificial tiene un gran potencial para proporcionar a los robots autónomos la inteligencia necesaria para aplicaciones del mundo real. Sin embargo, la IA actual se basa en redes neuronales profundas que requieren una potencia informática sustancial. Los procesadores diseñados para ejecutar redes neuronales profundas (Unidades de procesamiento de gráficos, GPU) consumen una cantidad sustancial de energía. Esto supone un problema especialmente para los robots pequeños, como los drones voladores, ya que sólo pueden transportar recursos muy limitados en términos de detección e informática.
Los cerebros de los animales procesan la información de una manera muy diferente a la de las redes neuronales que se ejecutan en las GPU. Las neuronas biológicas procesan información de forma asincrónica y se comunican principalmente a través de pulsos eléctricos llamados Picos. Dado que enviar tales picos cuesta energía, el cerebro minimiza los picos, lo que lleva a un procesamiento escaso.
Inspirándose en estas propiedades de los cerebros animales, los científicos y las empresas tecnológicas están desarrollando nuevos, neuromórfico procesadores. Estos nuevos procesadores permiten ejecutar redes neuronales con picos y prometen ser mucho más rápidos y más eficientes energéticamente.
«Los cálculos realizados por redes neuronales de punta son mucho más simples que los de las redes neuronales profundas estándar», dice Jesse Hagenaars, candidato a doctorado y uno de los autores del artículo, «mientras que las neuronas de punta digitales sólo necesitan sumar números enteros, las neuronas estándar para multiplicar y sumar números de punto flotante. Esto hace que aumentar las redes neuronales sea más rápido y más eficiente desde el punto de vista energético, piense en cómo a los humanos también les resulta mucho más fácil calcular 5 + 8 que calcular 6,25 x 3,45 + 4,05 x 3,45.
Esta eficiencia energética aumenta aún más si se utilizan procesadores neuromórficos en combinación con sensores neuromórficos, como cámaras neuromórficas. Estas cámaras no toman imágenes en un intervalo de tiempo fijo. En cambio, cada píxel solo envía una señal cuando se vuelve más brillante o más oscuro. Las ventajas de este tipo de cámaras son que pueden percibir el movimiento mucho más rápidamente, son más eficientes energéticamente y funcionan bien tanto en entornos oscuros como luminosos. Además, las señales de las cámaras neuromórficas pueden alimentar directamente redes neuronales activas que se ejecutan en procesadores neuromórficos. Juntos, pueden formar un gran facilitador para los robots autónomos, especialmente los robots pequeños y ágiles como los drones voladores.
Primera visión neuromórfica y control de un dron volador
En un artículo publicado en Robótica científica El 15 de mayo de 2024, investigadores de la Universidad Tecnológica de Delft, Países Bajos, demuestran por primera vez un dron que utiliza visión y control neuromórficos para un vuelo autónomo. Específicamente, desarrollaron una red neuronal que procesa las señales de una cámara neuromórfica y emite comandos de control que determinan la postura y el empuje del dron. Implementaron esta red en un procesador neuromórfico, el chip de investigación neuromórfico Loihi de Intel, a bordo de un dron. Gracias a la red, el dron puede percibir y controlar su propio movimiento en todas direcciones.
«Nos enfrentamos a muchos retos», afirma Federico Paredes-Vallés, uno de los investigadores que trabajó en el estudio, «pero el más difícil fue imaginar cómo Podríamos entrenar una red neuronal de picos para que el entrenamiento fuera lo suficientemente rápido. y la red entrenada funcionaría bien en el robot real. Al final, diseñamos una red que consta de dos módulos. El primer módulo aprende a percibir visualmente el movimiento a partir de las señales de una cámara neuromórfica en movimiento. Lo hace completamente solo, de forma autosupervisada, basándose únicamente en los datos de la cámara. Esto es similar a cómo los animales aprenden a percibir el mundo por sí mismos. El segundo módulo aprende a mapear el movimiento estimado para controlar comandos, en un simulador. Este aprendizaje se basó en una evolución artificial en la simulación, en la que las redes que controlaban mejor el dron tenían mayores posibilidades de producir descendencia. A lo largo de las generaciones de evolución artificial, las redes neuronales con picos se volvieron cada vez más buenas en el control y finalmente pudieron volar en cualquier dirección a diferentes velocidades. Entrenamos ambos módulos y desarrollamos una manera de fusionarlos. Nos alegró ver que la red fusionada funcionó bien inmediatamente en el robot real».
Con su visión y control neuromórficos, el dron es capaz de volar a diferentes velocidades en diferentes condiciones de iluminación, desde oscuras hasta brillantes. Incluso puede volar con luces parpadeantes, lo que hace que los píxeles de la cámara neuromórfica envíen a la red una gran cantidad de señales que no están relacionadas con el movimiento.
Mejora de la eficiencia energética y la velocidad gracias a la IA neuromórfica
«Es importante destacar que nuestras mediciones confirman el potencial de la IA neuromórfica. La red se ejecuta en promedio entre 274 y 1600 veces por segundo. Si ejecutamos la misma red en una pequeña GPU integrada, se ejecuta en promedio solo 25 veces por segundo, una diferencia de un factor ~10-64. Además, cuando se ejecuta la red, el chip de investigación neuromórfica Loihi de Intel consume 1,007 vatios, de los cuales 1 vatio es la energía inactiva que gasta el procesador justo cuando se enciende el chip. En comparación, cuando se ejecuta la misma red, la GPU integrada consume 3 vatios, de los cuales 1 vatio es energía inactiva y 2 vatios se gastan para ejecutar la red. El enfoque neuromórfico da como resultado una IA que se ejecuta más rápido y de manera más eficiente, lo que permite. su implementación en robots autónomos mucho más pequeños», afirma Stein Stroobants, candidato a doctorado en el campo de los drones neuromórficos.
Aplicaciones futuras de la IA neuromórfica para robots diminutos
«La IA neuromórfica permitirá que todos los robots autónomos sean más inteligentes», afirma Guido de Croon, profesor de drones bioinspirados, «pero es un facilitador absoluto para los pequeños robots autónomos. En la Facultad de Ingeniería Aeroespacial de la Universidad Tecnológica de Delft, trabajamos en pequeños drones autónomos que pueden usarse para aplicaciones que van desde monitorear cultivos en invernaderos hasta realizar un seguimiento de las existencias en almacenes. Las ventajas de los pequeños drones son que son muy seguros y pueden navegar en entornos estrechos, como entre hileras de plantas de tomate. , pueden ser muy baratos, por lo que pueden desplegarse en enjambres. Esto es útil para cubrir más rápidamente un área, como hemos demostrado en entornos de exploración y localización de fuentes de gas».
«El trabajo actual es un gran paso en esta dirección. Sin embargo, la realización de estas aplicaciones dependerá de seguir reduciendo el hardware neuromórfico y ampliando las capacidades hacia tareas más complejas como la navegación».
[ad_2]
Source link