Neuromorphe Manipulator-Arm-Steuerung zum Einsetzen von Objekten mit Kraftrückkopplung
Bedarf
Das Einfügen von Objekten in der Robotik ist ein aktives Forschungsgebiet, da die Industrie immer wieder nach effizienten Wegen zur Lösung dieses Problems sucht. Die Programmierung von Robotersystemen zur Bewältigung von Objekteinfügeaufgaben in modernen Fertigungsszenarien, z. B. eines USB-, D-SUB- oder speziellen industriellen Steckers oder Artefakts, ist aufgrund der komplexen Kontaktdynamik und Reibung sehr anspruchsvoll. Die Verwendung klassischer maschineller Lernansätze mit energieaufwändigen GPUs und Rechenressourcen ist für Szenarien in der mobilen Robotik nicht anwendbar. Daher wird eine Implementierung auf neuromorpher Hardware und spikenden neuronalen Netzen, dieses Problem dank Sparsamkeit und hoher Energieeffizienz angehen.
Ansatz
Wir verwenden Intel’s Neuromorphic Chip mit dem Codenamen Loihi, um einen adaptiven Spiking-Controller auf einem Standard-Industrieroboterarm zu hosten, der mit haptischen Sensoren ausgestattet ist. Unser Ansatz ist die Verwendung von Spiking Reinforcement Learning zur Feinabstimmung der Positionierung und Einschubbewegung mit Kraftrückmeldung.
Dieses Projekt findet im Rahmen der Intel Neuromorphic Research Community statt.
Die Hauptbeiträge dieser Forschung werden ein Reinforcement-Learning-Algorithmus für spikende neuronale Netze und ein Hardware-Demonstrator mit einem simulierten Gegenstück in der Neurorobotik-Platform sein.
Wir glauben, dass neuromorphe Hardware dank ihrer spärlichen und massiv parallelen Natur sehr gute Verbesserungen in Bezug auf die Latenz im Vergleich zur Inferenz auf klassischer Hardware bringen kann. Dies ist in einem Anwendungsfall der Robotersteuerung von entscheidender Bedeutung, da Entscheidungen in Echtzeit ein Schlüsselfaktor sind. Auf der KI-Seite ist das Reinforcement Learning in spiking neuronalen Netzen ein noch nicht weitgehend abgedecktes Forschungsgebiet und wir erwarten hervorragende Fortschritte.
01.01.2021 - 31.07.2023