Как передовые чипы Intel Loihi 2 помогают роботам воспринимать мир

Компьютеры обыгрывают людей в шахматах, но в мире нет робота, которого можно было бы послать в незнакомый дом и сказать ему, чтобы он покормил собаку; общий интеллект и приспособляемость человеческого мозга остаются непревзойденными. Нейроморфные чипы Intel Loihi 2 исследовательского класса призваны помочь закрыть этот пробел, черпая вдохновение в величайшем суперкомпьютере, созданном природой.

Мы поговорили с исследователем Технологического университета Квинсленда доктором Тобиасом Фишером о его работе по интеграции этих передовых чипов в автономных роботов, где они превосходят ресурсоемкие суперкомпьютеры в определенных задачах. Команда Фишера специально работает над локализацией и навигацией, помогая роботам понять, где они находятся в незнакомых ситуациях.

«Центр робототехники — это огромная лаборатория, — сказал доктор Фишер. «Более 100 человек. Мы делаем все, от манипулирования — хватания предметов и поднятия их — до космической робототехники, немного человеческого взаимодействия и социальных элементов, необходимых, когда вы разговариваете с людьми. Мы проводим много исследований методов зрения, используя камеры и датчики, чтобы помочь роботам воспринимать мир так же, как мы делаем это нашими глазами. Взяв серию интенсивностей пикселей и придав им более высокий уровень, чтобы сказать, что это машина, а это стул. Супер просто, даже для пятилетнего, но невероятно сложно для компьютера.

«Там, где я вступаю в игру, являются локализация и навигация. Поэтому, если вы говорите роботу распаковать посудомоечную машину, он должен знать, как найти вашу кухню. Он должен воспринимать объекты и решать, представляют ли они интерес или их нужно игнорировать. … Может ли он выйти за их пределы или нет ».

Глубокие нейронные сети оказались полезными в этой области, демонстрируя впечатляющую способность к обучению с течением времени и применяя высокоуровневые метки к определенным объектам исключительно на основе визуальной информации. Но их обучение может потребовать невероятного количества энергии.

«В большинстве университетов есть высокопроизводительные суперкомпьютеры с огромными складскими помещениями с кондиционерами, — сказал доктор Фишер. «Эти суперкомпьютеры потребляют столько энергии, сколько средний город потребляет за год, только для обучения некоторых из этих больших сетей. Это безумие, это огромное использование ресурсов. Чипы Intel Loihi 2 используют другой подход, который дает вам сверхэффективный способ запуска определенного класса сетей. Вы можете запускать только подмножество сетей или алгоритмов оптимизации, но вы можете запускать их очень, очень эффективно».

Разрыв в эффективности сводится к тому, как миллионы «нейронов» на чипах активируются в глубоких нейронных сетях, а не в импульсных нейронных сетях, таких как чип Loihi. «Вы вводите изображение и, скажем, хотите классифицировать, есть ли на этом изображении стул или человек», — сказал доктор Фишер. «В глубокой нейронной сети все сотни миллионов нейронов активируются на каждом этапе обработки. Это требует довольно много ресурсов. В импульсной нейронной сети одновременно активируется только очень небольшое подмножество нейронов. внутреннее состояние, которое накапливает некоторое свидетельство того, что что-то может выглядеть как стул, но они не выдают «всплеск», пока это свидетельство не достигнет определенного порога».

Эти чипы достаточно компактны, чтобы работать непосредственно на небольших роботах и ​​даже дронах. «По сути, мы подключаем небольшой USB-накопитель к существующему компьютеру, на котором работает робот», — сказал доктор Фишер. «Он работает как аппаратный ускоритель. Мы надеемся, что они помогут нам разработать адаптивные методы локализации, которые работают чрезвычайно эффективно и на высоких скоростях с малой задержкой; это очень важно, когда вы пытаетесь различать и отслеживать объекты в видеопотоке. , эффективность сама по себе велика для роботов и дронов, которые должны нести свой собственный источник энергии».

«Когда мы говорим об адаптивной локализации, мы действительно хотели бы, чтобы эти вещи могли приспосабливаться к изменяющимся условиям», — продолжил он. «Очевидно, что время от ночи до дня имеет огромное значение для того, как выглядит ваше окружение. Но также и адаптация от солнечных условий к середине грозы или снежной бури и тому подобное. улучшим методы позиционирования и локализации, а также точность, которую мы можем получить».

Он признает, что у Loihi есть некоторые недостатки, которые могут помешать ему превратиться из исследовательских лабораторий в коммерческий продукт, который, например, может начать поставляться на дронах. «Проблема, с которой сталкиваются Intel и нейроморфные сообщества, заключается в том, что мы часто отстаем в надежности и точности по сравнению с обычными алгоритмами, которые больше работают на процессоре или графическом процессоре», — пояснил он. «И придумать эти алгоритмы, во-первых, намного сложнее, чем обычные глубокие нейронные сети, которые изучают бог знает сколько десятков тысяч исследователей каждый день. Мы еще не сделали того прорыва, который сделают их общеприменимыми в достаточно широком диапазоне сценариев, что вызовет интерес к их коммерциализации.

 

Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК

Бесплатная служба распространения новостей для научных организаций и стартапов

hello@technovery.com