Dynamic analogue iterative computing with memristors for real-time robotic autonomy
Dieses Paper präsentiert ein memristorbasiertes analoges iteratives Rechensystem (mAIC), das ein analog kompensiertes prädiktives One-Step-Programmierschema nutzt, um eine energieeffiziente, latenzarme und präzise dynamische Matrixgleichungslösung für die Echtzeit-Roboterautonomie zu erreichen, wobei es traditionelle digitale Plattformen wie den NVIDIA Jetson signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein riesiges, sich ständig veränderndes Puzzle zu lösen, während Sie einen Marathon laufen. In der Welt der Roboter ist dieses Puzzle ein Satz von mathematischen Problemen, die „Matrizengleichungen“ genannt werden. Diese Gleichungen sind das Gehirn des Roboters und berechnen ständig, wo er sich befindet, wohin er gehen muss und wie er Kollisionen vermeidet. Der schwierige Teil dabei ist, dass sich die Puzzleteile (die Zahlen in der Gleichung) jede Millisekunde ändern, wenn der Roboter neue Hindernisse sieht oder sich an neue Orte bewegt.
Traditionell lösen Roboter diese Puzzles mit digitalen Computern, die wie superschnelle Buchhalter sind. Sie müssen anhalten, die Zahlen aufschreiben, sie vom Schreibtisch des Speichers zum Schreibtisch der Berechnung bewegen, die Mathematik erledigen und dann das Ergebnis zurückbewegen. Dieses „Umherbewegen“ kostet Zeit und Energie, so als ob ein Läufer alle paar Schritte anhalten müsste, um sich die Schuhe zu binden. Wissenschaftler haben versucht, eine andere Art von Gehirn mit winzigen elektronischen Schaltern namens „Memristoren“ zu bauen. Betrachten Sie Memristoren als magische Schwämme, die eine bestimmte Menge Wasser (Elektrizität) halten können, um eine Zahl darzustellen. Wenn man diese Schwämme in einem Gitter anordnet, kann man das mathematische Puzzle sofort lösen, indem man einfach Wasser durch sie hindurchgießt, ohne jemals die Zahlen bewegen zu müssen. Der Haken dabei? Diese Schwämme sind etwas unordentlich. Das genaue Ändern ihres Wasserstands erfordert normalerweise einen langsamen, repetitiven Prozess aus „Raten, Prüfen und Anpassen“, was all die Zeit- und Energieeinsparungen wieder auffrisst.
Dieses Paper stellt eine neue Art vor, diese unordentlichen Schwämme zu nutzen, um die sich ändernden Puzzles des Roboters schnell und präzise zu lösen. Die Forscher entwickelten unter Verwendung von fertigungstechnisch hergestellter Hardware ein System, das sie „mAIC“ (memristor-basierte analoge iterative Berechnung) nennen. Anstatt der langsamen „Raten und Prüfen“-Methode haben sie einen cleveren Trick namens „AC-PoP“ entwickelt. Stellen Sie sich vor, Sie müssen einen Eimer bis zu einer ganz bestimmten Linie füllen. Anstatt den Eimer Tropfen für Tropfen zu füllen und nach jedem Tropfen den Wasserstand zu prüfen, verwenden Sie eine spezielle Karte darüber, wie der Eimer leckt und sich füllt, um genau vorherzusagen, wie viel Wasser Sie auf einmal hineingießen müssen. Wenn Sie das Ziel nur ein winziges Stück verfehlen, hat Ihr System einen zweiten, dritten und vierten Schwamm bereit, um sofort die genau richtige Menge an „Korrekturwasser“ hinzuzufügen, um den Fehler zu beheben. Dies ermöglicht es dem Roboter, sein mathematisches Puzzle in einem Blitz zu aktualisieren, ohne den langsamen Prüfprozess.
Als sie dieses System bei einem echten Roboter, der einen Pfad navigiert, und bei einer komplexen Kartierungsaufgabe (genannt SLAM) testeten, waren die Ergebnisse beeindruckend. Das neue System löste die mathematischen Probleme mit einer Genauigkeit, die fast identisch mit der der besten digitalen Computer war. Es war jedoch viel schneller und verbrauchte weit weniger Energie. Im Vergleich zu einem Standard-Robotercomputer (einem NVIDIA Jetson) war das neue System 4,4-mal schneller und verbrauchte 627,9-mal weniger Energie. Selbst im Vergleich zur älteren, langsameren Methode der Programmierung der Schwämme war diese neue Methode 345-mal schneller beim Aktualisieren der Puzzleteile. Die Forscher zeigten, dass durch die Kombination dieses „One-Shot-Prediction“-Tricks mit einem kontinuierlichen Stromfluss Roboter endlich ein Gehirn haben könnten, das seine Gedanken in Echtzeit aktualisiert – genau so schnell, wie sich die Welt um sie herum verändert, ohne dass ihnen der Akku ausgeht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.