動物の脳にインスパイアされた自律型ロボットのAIゲームチェンジャー

June, 4, 2024, Delft--デルフト工科大学（Delft University of Technology）の研究チームは、動物の脳の働きに基づいて、ニューロモルフィック画像処理と制御を使用して自律的に飛行するドローンを開発した。
動物の脳は、GPUs(グラフィックチップ)上で動作する現在のディープニューラルネットワークと比較して、データとエネルギーの使用量が少なくて済む。したがって、ニューロモルフィックプロセッサは、重くて大きなハードウェアとバッテリを必要としないため、小型ドローンに非常に適している。その結果、飛行中のドローンのディープニューラルネットワークは、GPUで実行した場合に比べて最大64倍の速さでデータを処理し、消費電力を3倍に抑えることができる。この技術がさらに発展すれば、ドローンは空を飛ぶ昆虫や鳥のように小さく、機敏で、賢くなれるようになるかもしれません。この研究成果は、Science Robotics誌に掲載された。

動物の脳から学ぶスパイキングニューラルネットワーク
人工知能は、自律型ロボットに実世界のアプリケーションに必要なインテリジェンスを提供する大きな可能性を秘めている。しかし、現在のAIは、かなりの計算能力を必要とするディープニューラルネットワークに依存している。ディープニューラルネットワーク(グラフィックスプロセッシングユニット、GPUs)を実行するために作られたプロセッサは、かなりの量のエネルギーを消費する。特に空飛ぶドローンのような小型ロボットの場合、センシングやコンピューティングの面で非常に限られたリソースしか運べないため、これが問題となっている。

動物の脳は、GPUs 上で動作するニューラル ネットワークとは大きく異なる方法で情報を処理する。生物学的ニューロンは情報を非同期に処理し、ほとんどがスパイクと呼ばれる電気パルスを介して通信する。このようなスパイクを送るにはエネルギーがかかるため、脳はスパイクを最小限にとどめ、処理がまばらになる。

動物の脳のこれらの特性に触発されて、科学者やテクノロジー企業は新しいニューロモルフィックプロセッサを開発している。これらの新しいプロセッサは、スパイクニューラルネットワークの実行を可能にし、はるかに高速でエネルギー効率の高いものになる。

Ph.D候補、論文の著者の1人であるJesse Hagenaarsは、「スパイキングニューラルネットワークによって実行される計算は、標準的なディープニューラルネットワークの計算よりもはるかに簡単だ。デジタルスパイキングニューロンは整数を加算するだけで済むが、標準的なニューロンは浮動小数点数を乗算して加算する必要がある。これにより、ニューラルネットワークのスパイクがより速くなり、エネルギー効率が向上する。その理由を理解するには、6.25 x 3.45 + 4.05 x 3.45 を計算するよりも、5 + 8 を計算する方がはるかに簡単だと考えてみるとよい」と説明している。

このエネルギー効率は、ニューロモルフィックプロセッサをニューロモルフィックカメラなどのニューロモルフィックセンサと組み合わせて使用すると、さらに向上する。このようなカメラは、一定の時間間隔で画像を作成しない。代わりに、各ピクセルは明るくなったり暗くなったりしたときにのみ信号を送信する。このようなカメラの利点は、動きをより迅速に認識でき、エネルギー効率が高く、暗い環境でも明るい環境でも適切に機能することである。さらに、ニューロモルフィックカメラからの信号は、ニューロモルフィックプロセッサ上で動作するスパイクニューラルネットワークに直接供給することができる。これらを組み合わせることで、自律型ロボット、特に空飛ぶドローンのような小型で機敏なロボットを実現するための大きなイネーブラー（成功要因）を形成することができる。

飛行ドローンのニューロモルフィックビジョンと制御に初めて成功
2024年5月15日にScience Roboticsに掲載された記事で、オランダのデルフト工科大学の研究チームは、ニューロモルフィックビジョンと制御を使用して自律飛行を行うドローンを初めて実証した。具体的には、ニューロモルフィックカメラからの信号を処理し、ドローンの姿勢と推力を決定する制御コマンドを出力するスパイクニューラルネットワークを開発した。チームはこのネットワークを、ドローンに搭載されたIntelのニューロモルフィック・プロセッサであるLoihiニューロモルフィック・リサーチ・チップに展開した。ネットワークのおかげで、ドローンはあらゆる方向の自身の動きを感知し、制御することができる。

この研究に携わった研究者の1人Federico Paredes-Vallésは、次のように語っている。
「われわれは多くの課題に直面したが、最も難しかったのは、スパイクニューラルネットワークをトレーニングして、トレーニングが十分に速く、トレーニングされたネットワークが実際のロボットでうまく機能するようにする方法を想像することだった。最終的に、2つのモジュールで構成されるネットワークを設計した。最初のモジュールでは、移動するニューロモルフィックカメラの信号から動きを視覚的に認識する方法を学習する。これは、カメラからのデータのみに基づいて、自己監督的な方法で完全に単独で行われる。これは、動物が自分で世界を知覚することを学ぶのと似ている。2 番目のモジュールでは、シミュレータで推定されたモーションを制御コマンドにマッピングする方法を学習する。この学習は、シミュレーションの人工的進化に依存していた。ここでは、ドローンの制御に長けたネットワークが成果を生む可能性が高くなる。何世代にもわたって人工進化を遂げてきたスパイキングニューラルネットワークは、ますます制御能力を高め、ついにあらゆる方向に異なる速度で飛ぶことができるようになった。われわれは、両方のモジュールをトレーニングし、それらを統合する方法を開発した。マージされたネットワークが実際のロボットで直ぐさまうまく機能したのを見て、われわれは満足した」。

ニューロモルフィックビジョンとコントロールにより、ドローンは暗いものから明るいものまで、様々な光条件下で多様な速度で飛行することができる。また、ちらつく光がちらで飛行することもでき、ニューロモルフィックカメラのピクセルは、動きとは無関係の大量の信号をネットワークに送信する。

ニューロモルフィックAIによるエネルギー効率とスピードの向上
「重要なことは、われわれの測定結果がニューロモルフィックAIの可能性を裏付けていることである。ネットワークは平均して毎秒274〜1600回実行される。同じネットワークを小型の組み込みGPUで実行すると、平均して25回/秒しか実行されず、その差は10～64倍になる。さらに、ネットワークを実行する場合、IntelのLoihiニューロモルフィック研究チップは1.007Wを消費し、そのうち1Wはチップの電源を入れたときだけプロセッサが消費するアイドル電力である。ネットワーク自体の運用には、わずか7mWのコストしかかからない。これに対し、同じネットワークを稼働させる場合、組み込みGPUは3Wを消費し、そのうち1Wがアイドル電力、2Wがネットワークの実行に費やされる。ニューロモルフィック・アプローチにより、より高速かつ効率的に動作するAIが実現し、はるかに小型の自律型ロボットへの展開が可能になる」と、ニューロモルフィック・ドローン分野のPh.D候補Stein Stroobantsはコメントしている。

ニューロモルフィックAIの小型ロボットへの応用
「ニューロモルフィックAIにより、すべての自律型ロボットはよりインテリジェントにすることができる。しかし、それは小型自律型ロボットの絶対的な実現手段である。デルフト工科大学航空宇宙工学部では、温室での作物の監視から倉庫内の在庫の追跡まで、様々なアプリケーションに使用できる小型の自律型ドローンに取り組んでいる。小型ドローンの利点は、非常に安全で、トマトの畑の間などの狭い環境でも航行できること。さらに、それらは非常に安価であるため、群れで展開できる。これは、探査やガス源の特定設定で示したように、エリアをより迅速にカバーするのに役立つ」と同大学、バイオインスパイアドローン教授、Guido de Croonは説明している。