🔛智源社区日报关注订阅🔛

 

位置识别是机器人理解和导航世界的基本空间智能能力。然而，由于资源限制和环境变化，识别自然环境中的位置对机器人来说仍然是一项具有挑战性的任务。

相比之下，人类和动物可以在不同条件下稳健有效地识别数十万个地方。在这里，我们报告了一个受大脑启发的一般位置识别系统，称为NeuroGPR，该系统使机器人能够通过空间和时间的连续体模仿多模态传感、编码和计算的神经机制来识别位置。

我们的系统由多模态混合神经网络（MHNN）组成，该网络编码和集成了来自传统和神经形态传感器的多模态线索。具体来说，为了编码不同的感官线索，我们构建了空间视图细胞、放置细胞、头部方向细胞和时间细胞的各种神经网络。

 

为了整合这些线索，我们设计了一台多尺度液态机，可以使用各种神经元动力学和生物启发的抑制电路，有效和异步处理和融合多模态信息。我们在混合神经形态芯片Tianjic上部署了MHNN，并将其集成到一个四足机器人中。

我们的结果表明，与传统和现有的生物启发方法相比，NeuroGPR实现了更好的性能，对各种环境不确定性表现出鲁棒性，包括感知锯齿、运动模糊、光线或天气变化。在Tianjic上运行NeuroGPR作为整体多神经网络工作负载，展示了其优势，其延迟比常用的移动机器人处理器Jetson Xavier NX低10.5倍，功耗低43.6%。

论文地址：https://www.science.org/doi/10.1126/scirobotics.abm6996 

内容中包含的图片若涉及版权问题，请及时与我们联系删除