Onderzoek Laurens Van Damme

Abstract

De trend naar autonome drones leidt momenteel tot de integratie van een toenemend aantal sensoren voor veilige navigatie onder alle omstandigheden, waardoor algoritmen en hardware energiezuinig en snel moeten zijn. Wanneer de dronetechnologie verder matuur wordt, zal de inzet van zwermen van drones nog geavanceerdere gebruiksscenario's mogelijk maken, bijvoorbeeld in de precisielandbouw. Zwermen bieden ook de mogelijkheid om zowel sensorische als computermiddelen te delen, waardoor de zwerm zich gedraagt en reageert als een enkele samenwerkende entiteit met over het algemeen betere prestaties. In dit doctoraatsproject werken we met echte multisensorische data verzameld door meerdere drones en ontwikkelen we een spike-gebaseerde neuromorphic fusie-oplossing die draait op aangepaste imec hardware. Meer specifiek zullen we ons richten op de volgende onderzoeksvragen: - Kunnen we een low power sensor fusion oplossing bouwen op basis van spiking neurale netwerken voor autonome drone navigatie en obstakel vermijding, draaiend op imec hardware. We zullen verschillende oplossingen onderzoeken om spike coderingen uit te voeren en het leren uit te voeren. Er zal een afweging gemaakt worden tussen stroomverbruik en hardware. - Hoe kunnen samenwerkende drones, elk met hun eigen spike-gebaseerde neuromorphic fusie-oplossing, met elkaar communiceren op een tijdige en resource-efficiënte manier? Welke sensor fusion taken moeten worden uitgevoerd door welke nodes in een collaboratieve setting? - Kunnen we efficiënte technieken ontwikkelen voor gedistribueerde training over meerdere spike-gebaseerde drones om de individuele geheugen- en energiebehoefte van elke drone te verminderen en tegelijkertijd de convergentietijd van de zwerm te verlagen?

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Van Damme Laurens

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In het opkomende gebied van low-power AI voor kleine apparaten, worden Spiking Neural Networks (SNN) populairder als mogelijke technologie vanwege de eerste resultaten van brein geïnspireerde systemen die tot één of twee keer zoveel energie besparen voor inferentietaken. Terwijl de huidige SNN's doorgaans in de cloud worden getraind met behulp van varianten van de traditionele backpropagation-methode, zullen toekomstige toepassingen profiteren van de aanpassings- en leermogelijkheden op het apparaat. Spike-Timing-Dependent Plasticity (STDP) is een interessant, door de hersenen geïnspireerd, lokaal leeralternatief dat leren m.b.v. de temporele factor van de spike events op het apparaat zelf mogelijk maakt. Het heeft veelbelovende resultaten getoond i.v.m. het leren van unsupervised features. Voor de training van specifieke taken moet STDP uitgebreid worden met een derde factor zoals een successignaal om het leerproces te sturen. De bestaande leerregels met drie factoren gebruiken verschillende en enigszins ad-hoc definities voor de derde factor die al dan niet goed werken in bepaalde toepassingen. Nieuwe SNN-trainingsmethoden zullen onderzocht worden die STDP combineren met formele methoden als Temporal Logic om gestructureerde beloningssignalen te definiëren die toepasbaar zijn op supervised, self-supervised en Reinforcement Learning applicaties, en gedistribueerde implementatie mogelijk maken. Dit zal veel kansen bieden voor slimme industrieën, gezondheid, milieu enz.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Van Damme Laurens

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject