基于FPGA的移动机器人SNNs走廊场景分类器.pdf
《基于FPGA的移动机器人SNNs走廊场景分类器.pdf》由会员分享,可在线阅读,更多相关《基于FPGA的移动机器人SNNs走廊场景分类器.pdf(9页珍藏版)》请在咨信网上搜索。
1、收稿日期:2023-01-31摇 摇 摇 摇 摇 摇 修回日期:2023-05-31基金项目:国家自然科学基金面上项目(61673160,61175059);河北省自然科学基金资助项目(F2018205102);河北省高等学校科学技术研究重点项 目(ZD2021063);河 北 师 范 大 学 重 点 基 金(L2019Z11);河 北 师 范 大 学 在 读 研 究 生 创 新 能 力 培 养 资 助 项 目(CXZZSS2022073);河北师范大学 2021 年大学生课外学术科技创新项目(CG2021412204634)作者简介:王睿轶(1998-),男,硕士研究生,研究方向为脉冲神经网
2、络、深度强化学习;通讯作者:王秀青(1970-),女,教授,研究方向为先进机器人技术、脉冲神经网络。基于 FPGA 的移动机器人 SNNs 走廊场景分类器王睿轶1,2,3,王秀青1,2,3,刘万明4,王永吉5,叶晓雅1,2,3(1.河北师范大学 计算机与网络空间安全学院,河北 石家庄 050024;2.河北省网络与信息安全重点实验室,河北 石家庄 050024;3.河北省供应链大数据分析与数据安全工程研究中心,河北 石家庄 050024;4.河北师范大学 中燃工学院,河北 石家庄 050024;5.中国科学院 软件研究所,北京 100190)摘摇 要:神经形态芯片是类脑计算的重要研究内容之一,
3、神经网络的硬件实现是神经形态芯片实现的基础。具有生物似真性的脉冲神经网络(Spiking Neural Networks,SNNs),通过尖脉冲(Spikes)传递时空信息,更适于用硬件实现,是实现类脑计算的主要工具之一。该文提出一种基于 FPGA 的移动机器人 SNNs 走廊场景分类器:将移动机器人超声传感器信息进行脉冲编码后输入到 SNNs 走廊场景分类器中,通过 FPGA 分类器的脉冲输出模式来判断机器人所处的走廊场景,从而提高机器人的环境感知能力和自主性。详细讨论了脉冲积分点火神经元模型的 FPGA 实现原理,以及基于此神经元模型的SNNs 走廊场景分类器的硬件实现方案,仿真及实验结果
4、证明了所提基于 FPGA 的移动机器人 SNNs 走廊场景分类器的有效性。所提走廊场景分类器不受光照条件的影响,需要的传感器测量信息少,FPGA 硬件资源占有率低(LE 的利用率仅10%),分类速度快、准确率高,适于实际应用。该研究不仅可以提高移动机器人的环境感知能力和自主性,而且为硬件实现 SNNs 提供了有益参考。关键词:脉冲神经网络;积分点火神经元模型;脉冲编码;现场可编程门阵列;移动机器人;超声传感器中图分类号:TP183摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 摇 文章编号:1673-629X(2023)12-0032-09doi:10.3969/j.issn.1
5、673-629X.2023.12.005Mobile Robots爷SNNs Corridor-scene-classifier Based on FPGAWANG Rui-yi1,2,3,WANG Xiu-qing1,2,3,LIU Wan-ming4,WANG Yong-ji5,YE Xiao-ya1,2,3(1.School of Computer and Cyber Security,Hebei Normal University,Shijiazhuang 050024,China;2.Hebei Provincial Key Laboratory of Network&Informa
6、tion Security,Shijiazhuang 050024,China;3.Hebei Provincial Engineering Research Center for Supply Chain Big Data Analytics&Data Security,Shijiazhuang 050024,China;4.China Institute of Gas Engineering,Hebei Normal University,Shijiazhuang 050024,China;5.Institute of Software,Chinese Academy of Science
7、s,Beijing 100190,China)Abstract:The neuromorphic-chip is one of the important research aspects of brain-inspired computing,and the hardware implementationof neural networks(NNs)is the basis of neuromorphic-chip.Spiking neural networks(SNNs)with biological plausibility,whichconvey temporal and spatia
8、l information by spikes,are suitable to be implemented with hardware,and are also one of the main tools forbrain-inspired computing.A novel SNNs based mobile robots爷 corridor-scene-classifier implemented by FPGA is proposed.Theultrasonic sensor information of the mobile robot is encoded and input in
9、to the SNNs corridor scene classifier,and the corridor scene of therobot is judged by the pulse output mode of the FPGA classifier,so as to improve the environment perception ability and autonomy of therobot.The principle of the Approximation-Spiking IAF neuron model and the implementation of the SN
10、Ns corridor-scene-classifierbased on Approximation-Spiking IAF by FPGA are discussed in detail.The simulation and experimental results validate the effectiveness第 33 卷摇 第 12 期2023 年 12 月摇 摇 摇 摇 摇 摇 摇 摇 摇 摇计 算 机 技 术 与 发 展COMPUTER TECHNOLOGY AND DEVELOPMENT摇 摇 摇 摇 摇 摇 摇 摇 摇 摇Vol.33摇 No.12Dec.摇 2023of
11、the proposed mobile robots爷 corridor-scene-classifier based on FPGA and SNNs.Besides the fast processing speed,the classificationresults of the proposed method are accurate and not influenced by lighting conditions,the needed amount of sensor data is small,theFPGA resource-conquer-rate is low(the ut
12、ilization rate of LE is only 10%),which is suitable for practical application.Moreover,theproposed corridor classifier can also improve mobile robots爷 ability of environmental perception and autonomy,and provides a valuableinput for SNNs implemented by hardware.Key words:Spiking neural networks;inte
13、grated-and-fired neuron model;Spiking encoding;field programmable gate array;mobile robot;sonar sensor0摇 引摇 言第三 代 神 经 网 络 脉 冲 神 经 网 络(SpikingNeural Networks,SNNs)1-3通 过 独 立 的 尖 脉 冲(Spikes)传递信息,将时空信息同时融于网络中,不仅比前两代神经网络具有更好的生物似真性,而且更适于用硬件实现。近年来,作为重要科技前沿的脑科学和类脑智能技术引起了国际学术界的广泛关注,各国投入巨资启动了脑研究计划。类脑计算是脑研究计划
14、的重要方面之一,SNNs 以其独有的生物似真性成为类脑计算的主要工具。神经形态芯片是类脑计算的重要研究内容之一,神经网络的硬件实现是神经形态芯片实现的基础,也是各种神经网络算法工程实用化的关键环节,进行 SNNs 硬件实现研究具有重要意义。基于硬件实现的 SNNs 解决方案,具有信息处理速度快、能耗低,适于实际应用等特点,成为当今研究的热点。国外在 SNNs 硬件实现方面的研究成果显著。2013 年,瑞士苏黎世大学与联邦理工学院成功研制出基于 SNNs 的脑神经形态芯片4。2014 年,IBM 公司推出运行功耗极低的 TrueNorth 芯片5,英国曼彻斯特大学开发了 SpiNNaker 芯片
15、6,美国斯坦福大学研制出了神经栅格芯片系统7。2020 年,英特尔发布了神经形态计算系统冥Pohoiki Springs,该系统可提供1 亿个脉冲神经元进行任务处理。2021 年,Nguyen 等人8在芯片上实现了基于脉冲时间依赖可塑性(Spike-Timing-Dependent Plasticity,STDP)的深度 SNNs 学习方法,较基于软件的基线 SNNs 学习方案速度提升 2.1倍、能耗减少 64%。2022 年,Panchapakesan 等人9提出了基于率编码的 SyncNN 方法,该方法相较传统卷积神经网络(Convolutional Neural Networks,CNN
16、s)在MNIST 数据集上的训练速度提高 2.26 倍。国内虽然对 SNNs 硬件实现的研究起步较晚,但也取得了一定成果。2016 年,浙江大学顾宗华团队设计出国内首款支持 SNNs 的类脑芯片 达尔文芯片10,并成功应用于类脑计算和模式识别等任务中。2017 年,Sun 等人11提出了一种用于视觉信息特征提取的脉冲神经网络,并在 FPGA 上进行了实现。2019年,清华大学类脑计算研究中心施路平团队提出了符合脑科学基本规律、可同时支持 ANNs 和 SNNs 的新型类脑计算架构 异构融合的天机类脑计算芯片架构12。2020 年,Zhang 等人13提出一种基于 FPGA 应用于图像分类的低成
17、本、高性能的 SNNs 实现方案,与软件实现相比运行速度提高了 908 578 倍。2021 年,Wang 等人14利用加速体系结构提出一种基于 FPGA的 SNNs,并采用逼近式加法器实现该架构,与前期相关工作相比 ALUT 降低 28%、能耗减少 29%。SNNs 能同时融入时空信息的特点,使其成功应用于机器人环境感知15-16和控制17-21等领域,如:2018 年,Garcia 等人15基于 STDP 展开了人形机器人视觉注意力的研究。2020 年,Tang 等人17提出一种基于 SNNs 的移动机器人导航控制方法。2021 年,Lu等人18提出一种基于 STDP 的移动机器人避障策略
18、。2022 年,Azimirad 等人 19 提出一种基于 CNNs 和SNNs 的机器人环境感知和控制系统。虽然类脑芯片已取得了一定进展,但 SNNs 神经形态芯片在机器人领域的应用仍有待进一步发展,很多面对机器人的类脑计算方法距离实际工程应用还有较大差距。例如,文献19中控制策略算法需要在上位 PC 机中完成,再将控制命令发送给机器人执行。神经形态芯片和集成在芯片中的神经控制器的使用,除提高机器人自主性、加速机器人系统的信息处理和执行速度外,还使整个机器人系统轻量化,更便于实际使用。现场 可 编 程 门 阵 列(Field Programmable GateArray,FPGA)可以通过数
19、据并行处理和运算加速来提高实际信息处理的能力22-24。该文提出一种基于FPGA 的逼近式脉冲积分点火(Integrate-and-Fire,IAF)神经元模型硬件实现方案,基于 IAF 神经元模型实现了基于 FPGA 的移动机器人 SNNs 走廊场景分类器。此分类器可安置于机器人本体,使用的硬件资源少,结构简单,使用方便。所提基于 FPGA 的 SNNs 走廊场景分类器利用机器人超声传感器采集环境信息,受外界因素影响小,即使在光照不足或黑暗的走廊场景中依然能够准确、快速地进行走廊场景识别。仿真及实验结果验证了所提基于 FPGA 的移动机器人SNNs 走廊场景分类器的有效性。1摇 脉冲神经网络
20、1.1摇 积分点火模型积分点火神经元模型是脉冲神经元模型中广为使33摇 第 12 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王睿轶等:基于 FPGA 的移动机器人 SNNs 走廊场景分类器用的一种阈值点火模型,是脉冲 响应模型(SpikeResponse Model,SRM)1的特例。IAF 神经元模型原理如图 1 和公式(1)所示1。电路中输入电流(I)分为两部分:一部分流向电阻(R);另一部分给电容(C)充电。当电容(C)两侧电压超过阈值(谆)时,神经元发放脉冲。图 1摇 脉冲 IAF 神经元模型原理子mduidt=-ui(t)+RI(t)(1)其中,ui表示神经元 i 膜电压值,子m
21、=RC 是神经元膜时间 常 数。由 公 式(1),IAF 模 型 亦 可 如 式(2)所示1。ui(t)=移tfi沂Fi浊i(t-tfi)+移j沂祝i移tfj沂Fj棕ij着ij(t-tfj)(2)其中,浊i是神经元对自身输出脉冲的响应;棕ij是神经网络中突触前神经元 j 对突触后神经元 i 的连接权值;着ij是突触神经元 i 接收来自突触前神经元 j 沂 祝i时的脉冲响应;tfi和 tfj是第 i 和 j 个脉冲神经元输出脉冲的时刻;Fi和 Fj分别是突触后神经元 i 和突触前神经元 j输出脉冲的时间集合;祝i表示与第 i 个突触后神经元相连的突触前神经元集合。公式(2)中 浊i和 着ij核具
22、体形式如公式(3)和(4)所示1:浊i(s)=-(谆-urst)exp(-s子m)H(s)(3)着ij(s)=乙s0exp(-s子m)1子sexp(-s-s子s)H(s)ds(4)其中,谆 为点火阈值,urst为静息期电压,子m,子s为时间常数,H(s)为阶跃函数。1.2摇 脉冲时延编码时延编码(Latency Coding)通过不同的脉冲时延表示输入神经元的刺激信号的强弱1:刺激信号越弱,神经元发放脉冲时刻越晚、时延越长;刺激信号越强,神经元输出脉冲时刻越早、脉冲时延越短。2摇移动机器人 SNNs 走廊场景分类器的FPGA 实现2.1摇 基于 SNNs 的移动机器人走廊场景分类器的基本原理走
23、廊环境是室内移动机器人常见的结构化场景,准确感知走廊环境,对实现移动机器人的自主性具有重要意义。文献21针对 7 种常见的结构化走廊场景,提出基于超声传感信息的移动机器人 SNNs 走廊场景分类器(超声传感器工作原理及16 个超声传感器在移动机器人本体中的分布见文献21)。7 种常见的结构化走廊场景如图 2 所示,图 2(a)(g)分别代表走廊场景1 7。SNNs 拓扑结构如图3 所示,具体工作原理及相应 FPGA 实现方案见 2.2.1 2.2.3。(e)(f)(g)(a)(b)(c)(d)图 2摇 常见的 7 种走廊场景图 3摇 移动机器人走廊场景分类器中 SNNs 拓扑结构第 1 层为输
24、入层,由 sn伊 n 个输入神经元组成。其中 sn为机器人本体超声传感器环中的超声传感器个数,n 为在某走廊场景中 n 个连续时刻采集的 n 组超声传感器信息。第 2 层为隐含层,有 sn伊 n 伊 ni个神经元。第1 层神经元到第 2 层神经元的连接权值均为 w1(i1,j1)=1,其中 j1为输入层神经元序号,j1=1,2,sn伊 n,i1为隐含层神经元序号,i1=1,2,sn伊 n 伊 ni,ni为待分类走廊场景个数。第 3 层为输出层,有 ni个输出神经元。第 2 层神经元到第 3 层神经元的连接权值均为 w2(i2,j2)=1,其中 j2为隐含层神经元序号,j2=1,2,sn伊 n
25、伊 ni,i2为输出层神经元序号,i2=1,2,ni。输出层神经元之间为侧向抑制联结,采用“赢者通吃(Winner-Takes-43摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 计算机技术与发展摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 33 卷All,WTA)冶的原则。2.2摇 移动机器人 SNNs 走廊场景分类器的 FPGA 实现原理利用 FPGA 对文献21中移动机器人 SNNs 走廊场景分类器进行硬件实现,具体原理如图 4 所示。将移动机器人采集的超声传感器信息进行脉冲编码后输入所设计的基于 FPGA 的 SNNs
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 FPGA 移动 机器人 SNNs 走廊 场景 分类
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。