Для экономии энергии в микросхемах используется гибридный цифро-аналоговый процессор временной области, в котором ширина импульса сигналов кодирует информацию. ИС нейронной сети поддерживает как программирование на основе моделей, так и совместное обучение с подкреплением, потенциально предоставляя маленьким роботам более широкие возможности для разведки, поисково-спасательных операций и других задач.
Исследователи из Технологического института Джорджии продемонстрировали роботизированные автомобили, управляемые уникальными ASIC, на Международной конференции по твердотельным схемам IEEE 2019 (ISSCC). Исследование спонсировалось Агентством перспективных оборонных исследовательских проектов (DARPA) и Корпорацией полупроводниковых исследований (SRC) через Центр интеллектуальных вычислений, обеспечивающих автономный интеллект (CBRIC).
«Мы пытаемся привнести интеллект в этих очень маленьких роботов, чтобы они могли изучать окружающую среду и перемещаться автономно, без инфраструктуры», – сказал Ариджит Райчоудхури, доцент Школы электротехники и компьютерной инженерии Технологического института Джорджии. "Чтобы добиться этого, мы хотим привнести концепции маломощных схем в эти очень маленькие устройства, чтобы они могли принимать решения самостоятельно. Существует огромный спрос на очень маленьких, но способных роботов, не требующих инфраструктуры."
Автомобили, продемонстрированные Райчоудхури и аспирантами Нингьюань Цао, Муйя Чанг и Анупам Голдер, перемещаются по арене, покрытой резиновыми подушками и окруженной стенами из картонных блоков. Во время поиска цели роботы должны избегать дорожных конусов и друг друга, извлекая уроки из окружающей среды и постоянно общаясь друг с другом.
В автомобилях используются инерционные и ультразвуковые датчики для определения своего местоположения и обнаружения объектов вокруг них. Информация от датчиков поступает в гибридную ASIC, которая служит «мозгом» транспортных средств. Затем инструкции переходят к контроллеру Raspberry Pi, который отправляет инструкции электродвигателям.
В роботах размером с ладонь мощность потребляют три основные системы: двигатели и контроллеры, используемые для привода и управления колесами, процессор и сенсорная система. В автомобилях, построенных командой Райчоудхури, маломощный ASIC означает, что двигатели потребляют большую часть энергии. «Мы смогли снизить вычислительную мощность до уровня, при котором в бюджете преобладают потребности двигателей», – сказал он.
Команда работает с коллегами над двигателями, в которых используется микроэлектромеханическая (МЭМС) технология, способная работать с гораздо меньшей мощностью, чем обычные двигатели.
«Мы хотели бы построить систему, в которой мощность датчиков, связь, мощность компьютеров и срабатывание находятся примерно на одном уровне, порядка сотен милливатт», – сказал Райчоудхури, доцент ON Semiconductor в Школе исследований.
Электротехника и вычислительная техника. «Если мы сможем построить этих роботов размером с ладонь с эффективными двигателями и контроллерами, мы сможем обеспечить время работы в несколько часов от пары батареек AA. Теперь у нас есть хорошее представление о том, какие вычислительные платформы нам нужны для этого, но нам все еще нужны другие компоненты, чтобы наверстать упущенное."
При вычислениях во временной области информация передается двумя разными напряжениями, закодированными в ширине импульсов. Это дает схемам преимущества энергоэффективности аналоговых схем с надежностью цифровых устройств.
«Размер чипа уменьшен вдвое, а энергопотребление составляет одну треть от того, что потребуется традиционному цифровому чипу», – сказал Райчоудхури. «Мы использовали несколько методов в конструкции логики и памяти для снижения энергопотребления до диапазона милливатт при достижении целевой производительности."
Поскольку каждая ширина импульса представляет различное значение, система работает медленнее, чем цифровые или аналоговые устройства, но Рейчоудхури говорит, что скорость достаточна для небольших роботов. (Милливатт – одна тысячная ватта).
«Для этих систем управления нам не нужны схемы, работающие на нескольких гигагерцах, потому что устройства не так быстро перемещаются», – сказал он. "Мы жертвуем небольшой производительностью, чтобы добиться максимальной энергоэффективности. Даже если вычисление будет работать на частоте 10 или 100 мегагерц, этого будет достаточно для наших целевых приложений."
65-нанометровые КМОП-чипы позволяют использовать оба типа обучения, подходящие для роботов. Систему можно запрограммировать так, чтобы она следовала алгоритмам, основанным на модели, и она может учиться в своей среде, используя систему подкрепления, которая со временем стимулирует все более и более высокую производительность – так же, как ребенок, который учится ходить, натыкаясь на предметы.
«Вы запускаете систему с заранее определенным набором весов в нейронной сети, чтобы робот мог стартовать с хорошего места и не падать сразу же и не давать ошибочную информацию», – сказал Рейчоудхури. "Когда вы развернете его в новом месте, в среде будут некоторые структуры, которые она распознает, а некоторые системе придется изучить. Затем система сама будет принимать решения и оценивать эффективность каждого решения для оптимизации своего движения."
Связь между роботами позволяет им совместно искать цель.
«В среде совместной работы роботу необходимо понимать не только то, что он делает, но и то, что делают другие в той же группе», – сказал он. "Они будут стремиться максимизировать общее вознаграждение группы, а не индивидуальное вознаграждение."
С их демонстрацией ISSCC, обеспечивающей доказательство концепции, команда продолжает оптимизировать проекты и работает над системой на кристалле для интеграции вычислительных и управляющих схем.
«Мы хотим сделать этих маленьких роботов все более и более функциональными», – добавил Рэйчоудхури. «Мы показали, что возможно, и то, что мы сделали, теперь нужно будет дополнить другими инновациями."
Этот проект поддержан Semiconductor Research Corporation в рамках гранта JUMP CBRIC task ID 2777.006.