ANN與SNN在UAV避障能力上的對決

究竟是研究成熟的第二代人工神經網絡強大呢? 還是代表未來發展趨勢的脈衝神經網絡更令人期待呢? 來自義大利波隆納大學的研究團隊決定讓它們在無人機(UAV)避障功能上一決高下。

研究團隊先用模擬軟體Unreal Engine4和Airsim生成了模擬現實環境的避障空間，接著再用動態視覺感測器(DVS)輸出event-based訊號到兩個神經網絡讓它們進行Reinforcement Learning(RL)。

Fig1. 本圖秀出了完整的訓練神經網絡流程，藍色框內代表著建構虛擬世界，黃色框框則代表了使用的神經網絡。

兩個神經網絡ANN與SNN的架構基本相同，都包含了兩層的convolutional layer跟兩層的fully-connected layer，唯一的區別是輸入的channel數量不同，ANN有跟輸入frame的數量一樣多的channel，而SNN則只有兩個，一個是positive events，另一個則是negative events。接收到訊號後，兩個神經網絡皆會使用Deep Q-Learning algorithm進行RL，並提供UAV障礙物的彈道來進行避障。

在實驗結果部分，我們可以看到Fig2中，橘色線代表使用ANN的UAV，藍色線代表使用SNN的UAV，它們在一開始的表現相差不多，但在飛行到80公尺和100公尺時，使用SNN的UAV存活率突然大幅下滑，而使用ANN的UAV則是一路保持穩定，卻在離終點只有10公尺時，存活率雪崩式下滑。使用ANN和SNN的UAV，它們最終的存活率分別為36%以及33%，雖然結果接近，看起來ANN還是略勝一籌。而作為對照組綠色線的隨機運動UAV，則是連全程的一半70公尺都很難撐過。

Fig2. X軸為UAV移動距離，Y軸為UAV存活率，紅色虛線代表終點。

雖然SNN在本次實驗小輸ANN，但是研究團隊已經證明SNN也可以透過RL達到可以和傳統的ANN一較高下的水準。未來，研究團隊預期把這項實驗搬到現實環境中，實際的用ANN和SNN來幫助機器躲避障礙物。

撰文者: 高振翔

參考文獻: Zanatta, L., Barchi, F., Bartolini, A., & Acquaviva, A. (2022, May). Artificial versus spiking neural networks for reinforcement learning in UAV obstacle avoidance. In Proceedings of the 19th ACM International Conference on Computing Frontiers (pp. 199-200).  https://doi.org/10.1145/3528416.3530865