Шустрить, как мухи: ИИ для дронов создали по примеру мозга животных

В Технологическом университете Делфта, Нидерланды, создали автономный квадрокоптер, который распознаёт «увиденное» и управляет собой в полёте по примеру мозга животных. Такая система оперирует меньшим объёмом данных и затрачивает меньше энергии в сравнении с нейросетями на базе графических процессоров (GPU).


Использованные для нового воздушного беспилотника процессоры называют нейроморфными, то есть мозгоподобными. Нейроморфные чипы функционируют, имитируя структуру натуральных нейронных сетей. Такие процессоры оказались вполне пригодными для небольших дронов, потому что им не нужны массивное оборудование и аккумуляторы. Результаты испытаний, описанные в журнале Science Robotics, впечатляют: в полёте нейросеть обрабатывала данные в 64 раза быстрее и потребляла втрое меньше энергии, чем если бы на беспилотник установили GPU.

Типичный ИИ сегодня базируется на нейронных сетях глубокого обучения (Deep Neural Network, DNN), которым нужны значительные вычислительные мощности. К тому же графические процессоры для работы с DNN потребляют сравнительно много электроэнергии.

Мозг животных работает с информацией иначе. Биологические нейроны взаимодействуют с окружающим миром разновременно, а обмен данными происходит с помощью электрических импульсов, так называемых спайков. Термин означает кратковременные, в виде пиков и спадов, чередования потенциалов при возбуждении нервных клеток. Поскольку такие импульсы энергозатратны, мозг стремится к экономии, что приводит к разреженной обработке.



Вдохновлённые «талантами» животных, учёные и промышленные инженеры придумывают мозгоподобные процессоры. Такие чипы позволяют им запускать достаточно мощные нейронные сети с повышенной скоростью и энергоэффективностью.

Соавтор исследования Джесси Хагенаарс объяснил, что вычисления, выполняемые нейронными сетями методом спайков (они же импульсные нейронные сети) намного проще, чем в DNN. Если во время спайков нужно лишь складывать целые числа, то «нейронам» стандартного типа приходится умножать и суммировать дроби. Чтобы понять разницу в скорости и затратах энергии пусть даже человеческого мозга, можно сравнить вычисления «5 + 8» и, например, «6,25 × 3,45 + 4,05 × 3,45».

Энергоэффективность, то есть меньший расход энергии, ещё выше, если использовать мозгоподобные процессоры в сочетании с соответствующими датчиками, а именно — нейроморфными камерами. Такие камеры не делают изображения через определённые промежутки времени: каждый пиксель направляет сигнал в систему, лишь становясь ярче либо темнее.

Такие камеры гораздо шустрее считывают движение, затрачивают меньше энергии и хороши даже в темноте. К тому же сигналы с «нейрокамер» могут поступать напрямую в сети на мозгоподобных процессорах.

Исследователи из Делфта первыми представили квадрокоптер с нейроморфным зрением и системой управления для автономного полёта. Специально для этого они разработали мощную нейронную сеть, обрабатывающую сигналы от «нейрокамеры» и отдающую команды, которые задают положение и направление.

Свою специальную сеть они развернули на базе мозгоподобного процессора — это чип Intel Loihi для нейроморфных исследований. Благодаря разработке дрон может воспринимать параметры собственного движения во всех направлениях и контролировать их.

Также работавший над исследованием Федерико Паредес-Вальес сказал, что они с коллегами столкнулись со многими проблемами. В особенности — с обучением нейронки на основе спайков, чтобы она хорошо функционировала на борту реального робота.

В итоге они создали сеть из двух модулей. Первый учится визуально воспринимать движение по сигналам нейроморфной камеры, причём вполне автономно, только лишь под самоконтролем. Как считают специалисты из Нидерландов, это похоже на то, как воспринимают мир животные благодаря своим чувствам и психике.

Второй блок учится сопоставлять вероятность движений с командами управления в симуляторе. Соответствующее обучение основывалось на искусственной эволюции. Лучшие по управлению дроном сети получали шансы «произвести потомство», то есть стать основой для дальнейших поколений программного обеспечения (ПО).

На протяжении поколений искусственной эволюции разветвлённые нейронные сети становились все более эффективными в управлении и, наконец, смогли летать во все стороны с разной скоростью.


— Федерико Паредес-Вальес, соавтор робототехнического проекта.

За счёт нейроморфного зрения и управления дрон способен летать с разной скоростью при разном освещении, от тёмного до яркого. Он функционирует даже при мерцающих огоньках, которые побуждают пиксели камеры посылать в сеть множество сигналов, не относящихся к движению.



Измерения подтвердили эффективность ИИ, подобного живому мозгу. Сеть срабатывает от 274 до 1 600 раз в секунду. Если запустить ту же сеть на небольшом встроенном GPU, она будет исполняться в среднем всего 25 раз в секунду. То есть разница — в 64 раза.

При работе с созданной сетью чип Intel Loihi потребляет 1,007 Вт электроэнергии. Причём 1 Вт — это мощность в режиме ожидания, которую процессор расходует только при включении. Запуск самой сети обходится всего в 7 милливатт.

Кандидат наук Стейн Строобантс привёл сравнение: при запуске в той же самой сети встроенный GPU «съедает» 3 Вт, где 1 Вт приходится на холостой ход, а 2 Вт — на работу сети.

Профессор из Делфта Гвидо де Крун сказал, что «биологический» ИИ в дальнейшем сделает автономные устройства ещё умнее и успешнее. Но особенно актуальна технология для маленьких беспилотников. Специалисты вуза сейчас трудятся над миниатюрными автономными дронами для самых разных целей — от проверок в теплицах до контроля над складскими запасами, от разведки в незнакомой местности до определения утечек газов.

Преимущества маленьких дронов в их повышенной безопасности и способности к работе в загроможденных пространствах. А их сравнительная дешевизна позволит запускать целые стаи таких устройств.

Впрочем, для дальнейшего успеха ИИ, вдохновлённого животным миром, также предстоит решить сопутствующие и довольно сложные задачи навигации.