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 (Behavioral Cloning) 的模仿學習策略。他們收集了由基準 Madgwick 濾波器與 PID 控制器在室內自由飛行時產生的真實飛行演示,並擴增了約 150 分鐘的合成數據以提升模型的泛化能力。由於脈衝信號具有不可微的特性,訓練過程利用了 Arctan 替代梯度 (Surrogate Gradients) 結合時間反向傳播 (BPTT) 演算法來進行優化,並使用 Huber 損失函數與皮爾森相關係數的組合來確保時序預測的準確性與強健性。

整個問題的範疇緊密圍繞著極端的尺寸、重量與功耗 (SWaP) 限制,機器人總重僅 26 克,且微控制器僅有 512 KB 的 SRAM。為了彌合模擬與硬體之間的差距,作者開發了一款名為 Espikify 的開源工具,能將 PyTorch 訓練出的 SNN 無縫轉換為靜態的 C 語言構件。這種作法在無須特殊神經形態硬體的情況下,實現了極小的記憶體占用。
圖 5:在 ESP32-S3 上進行單次機載推論時,SNN、ANN 與事件驅動 SNN 的延遲與功耗表現。 功耗長條圖代表開發板的總功耗,而由推論所額外增加的功耗則標示於基準線之上。

在實際測試中,該架構成功實現了無纜線的完全機載閉迴路飛行,展現出高度穩定的俯仰角與航向角追蹤能力。實驗數據顯示,SNN 控制器的軌跡追蹤誤差與傳統基準控制器相當,成功捕捉了反饋控制所需的關鍵動態。在運算效率上,與人工神經網路 (ANN) 基準相比,事件驅動的 SNN 實作將推論延遲大幅降低了 36%(從 1059 微秒降至 680 微秒),並將推論功耗降低了 18%,充分驗證了 SNN 在資源受限的微型無人機硬體上,具備實現節能自治飛行的巨大潛力。
聲明:本文章使用 AI 進行生成,並經人工架構與審核。


作者:葉宸甫


參考文章:Filali, R. E., Feng, C., Gao, C., & Gu, W. (2026). "Neuromorphic Control of a Flapping-Wing Robot on Resource-Constrained Hardware". arXiv preprint arXiv:2605.19430. https://doi.org/10.48550/arXiv.2605.19430

留言