26 克撲翼機器人上的 SNN
在《Neuromorphic Control of a Flapping-Wing Robot on Resource-Constrained Hardware》(Filali et al. 2026) 一文中，作者探討了穩定欠驅動撲翼微型飛行器 (FWMAV) 的複雜挑戰。他們使用標準且低成本的 ESP32-S3 微控制器，成功展示了完全機載的閉迴路飛行。以下將剖析其核心架構、訓練方法與最終成果。 圖 1：仿生蝴蝶撲翼微型飛行器 (FWMAV) 的機載神經形態控制系統概覽。 (A) 學習至部署的流程。由基準 Madgwick 估計器與 PID 控制器生成真實飛行演示，結合合成數據進行擴增後，用於狀態估計與控制 SNN 的行為複製。自訂工具 Espikify 將訓練完成的網路轉換為 C 語言構件以進行嵌入式部署，在機體上處理 IMU 測量值與參考命令，進而輸出狀態估計與控制指令。(B) 該 26 克重的 FWMAV 包含微型伺服馬達、3D 列印機身、碳纖維強化撲翼，以及資源受限的 ESP32-S3 微控制器。(C) 進行俯仰角與偏航角追蹤的無纜線室內飛行演示。 該系統採用階層式神經形態控制架構，由兩個基於電流的洩漏積分放電 (CUBA-LIF) 脈衝神經網路 (SNN) 組成。狀態估計 SNN 包含前饋與迴圈脈衝層，負責將原始的六軸慣性測量單元 (IMU) 數據映射為俯仰、翻滾與偏航率的三維狀態估計。控制 SNN 則由單一迴圈層構成，負責接收目標參考值、估計狀態與陀螺儀原始數據，進而計算出相對應的控制輸入。 圖 2：用於 FWMAV 飛行的階層式神經形態控制架構。 狀態估計 SNN（綠色）利用原始 IMU 數據來估計姿態。控制 SNN（藍色）隨後將這些估計值與陀螺儀讀數及目標姿態結合，計算出俯仰與偏航的偏移量，以此調變 CPG 並為兩側機翼伺服馬達產生週期性的 PWM 指令。 為了降低控制網路的負擔，系統並未迫使網路從頭學習高頻的節奏性撲翼動作，而是整合了顯式的中樞模式產生器 (CPG)。專用的正弦振盪器負責處理基礎的撲翼運動學，這意味著控制 SNN 只需預測俯仰角與偏航角的偏移量來調變 CPG 即可。將節奏性運動交由確定性振盪器處理，不僅簡化了學習過程、縮小了搜尋空間，即使在訓練範圍之外也能維持符合物理一致性的機翼運動。 在網路訓練方面，研究團隊採用了行為複製 (...
