Les insectes volants sont capables de naviguer efficacement dans leur environnement, traitement des stimuli visuels pour éviter les obstacles et atterrir en toute sécurité sur une variété de surfaces. Au cours de la dernière décennie, des équipes de recherche du monde entier ont tenté de reproduire ces capacités dans des micro-véhicules aériens autonomes (MAV) en utilisant des mécanismes similaires à ceux observés chez les insectes.

Depuis plusieurs années, les chercheurs du MAVLab de la TU Delft tentent de développer des techniques inspirées des insectes qui pourraient améliorer les stratégies de navigation et d'atterrissage dans de minuscules drones. Dans un article récent prépublié sur arXiv, ils ont introduit une nouvelle stratégie pour la création de contrôleurs neuromorphiques qui pourraient améliorer les atterrissages dans les MAV.

"Au MAVLab de la TU Delft, nous étudions le vol autonome de minuscules drones, " Jesse Hagenaars, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "C'est un défi majeur, car nos drones (parfois aussi légers que 20 grammes) ont des ressources extrêmement limitées en terme d'énergie, détection et traitement. C'est pourquoi nous nous inspirons beaucoup de la nature, et en particulier, d'insectes volants."

Dans des travaux antérieurs, les chercheurs du MAVLab ont développé une série de techniques bio-inspirées pour l'estimation de mouvement basée sur la vision à l'aide de réseaux de neurones à pointes (SNN). Les SNN sont une classe de réseaux de neurones artificiels qui imitent étroitement les réseaux de neurones dans le cerveau humain, utiliser des pics d'activation pour calculer et analyser les informations.

Dans leur nouvelle étude, les Hagenaars et ses collègues voulaient aller plus loin dans leurs techniques, les utiliser pour contrôler le vol et l'atterrissage des MAV. Pour faire ça, ils ont entamé une collaboration avec l'Institut national de recherche néerlandais pour l'informatique et les mathématiques (CWI), qui possède un haut niveau d'expertise dans le développement de réseaux de neurones à pics.

"L'objectif final de nos recherches est de connecter l'estimation et le contrôle du mouvement pour aboutir à un pipeline complètement bio-inspiré, qui sera beaucoup plus efficace en termes de dépenses énergétiques que les approches traditionnelles de contrôle par vision, " dit Hagenaars. " Pour l'instant, démontrer la faisabilité de la partie commande, nous avons appliqué notre approche aux manœuvres d'atterrissage."

La plupart des techniques précédemment développées pour contrôler les MAV pendant l'atterrissage basé sur la vision sont basées sur des contrôleurs proportionnels et des ANN conventionnels. Les contrôleurs basés sur les SNN ont le potentiel d'obtenir des résultats similaires, voire meilleurs, avec une efficacité énergétique bien supérieure.

Contrairement aux réseaux de neurones artificiels conventionnels (ANN), dans lequel chaque neurone individuel transmet une valeur réelle à chaque pas de temps, Les SNN émettent un pic binaire uniquement lorsqu'ils reçoivent une stimulation suffisante. Étant donné que chaque pointe ou calcul individuel nécessite une certaine quantité d'énergie, Les SNN ont tendance à être beaucoup plus économes en énergie que les ANN conventionnels, car ils sont généralement mis en œuvre à l'aide de ce que l'on appelle du « matériel neuromorphique ».

"Bien que nous n'ayons pas implémenté nos contrôleurs de dopage sur du matériel neuromorphique, nous avons fait un pas de plus en termes d'efficacité énergétique, en minimisant le nombre de pointes utilisées par le réseau pour effectuer le contrôle, " a déclaré Hagenaars. " Cela a été fait en incluant le nombre de pointes comme objectif lors de l'optimisation évolutive des contrôleurs. "

Hagenaars et ses collègues ont formé leurs contrôleurs basés sur SNN à l'aide d'outils de simulation, puis évalué leurs performances dans des environnements réels. Leurs expériences ont donné des résultats très prometteurs, avec les contrôleurs permettant des atterrissages MAV rapides et sûrs, tout en minimisant les pics de SNN et donc les dépenses énergétiques.

De façon intéressante, les chercheurs ont également découvert que les contrôleurs de pointe qui produisent moins de pointes (c'est-à-dire, dépensent moins d'énergie) fonctionnent aussi bien que d'autres qui produisent plus de pointes. En réalité, limiter le nombre de pics entrants semblait simplifier le transfert des capacités d'atterrissage d'un contrôleur des environnements simulés vers le monde réel.

"Tout d'abord, ce travail est le premier à intégrer des réseaux de neurones à pics dans la boucle de contrôle d'un robot volant du monde réel, " dit Hagenaars. " Deuxièmement, nous minimisons considérablement le taux de pointe des contrôleurs, ce qui se traduirait par des économies d'énergie considérables lorsqu'il est mis en œuvre sur du matériel neuromorphique. En plus de rendre les réseaux de dopage aussi petits que possible, nous incluons le taux de pointe du réseau comme objectif dans l'évolution multi-objectifs."

Hagenaars et ses collègues de la TU Delft ont été parmi les premiers à utiliser les SNN pour contrôler les robots volants dans des environnements réels. Les contrôleurs qu'ils ont créés pourraient à terme aider les chercheurs à augmenter les performances et l'efficacité énergétique des MAV existants et nouvellement développés, notamment lors de l'atterrissage.

"Notre article récent s'est concentré uniquement sur le contrôle bio-inspiré basé sur une estimation de mouvement donnée, " a déclaré Hagenaars. " La méthode réelle d'estimation de ce mouvement était, cependant, pas très bio-inspiré. Par conséquent, nous voulons maintenant combiner notre contrôleur avec la méthode d'estimation de mouvement bio-inspirée (également basée sur des réseaux de pointes) développée précédemment par le MAVLab, pour se retrouver avec un pipeline complètement bio-inspiré."

Jusque là, les chercheurs n'ont testé leurs contrôleurs que sur des puces classiques, pourtant, les économies d'énergie qu'ils ont prédites ne peuvent être réalisées qu'à l'aide de matériel neuromorphique. Dans leurs futurs travaux, ils espèrent donc aussi les implémenter sur des puces neuromorphes, comme la puce Loihi d'Intel.

© 2020 Réseau Science X