تبدیل حرکت سنسورهای بینایی به سیگنال های اسپک
تبدیل حرکت سنسورهای بینایی به سیگنال های اسپک – حسگرهای بینایی نورومورفیک دستگاه‌های حسگر منحصربه‌فردی هستند که به طور خودکار به تغییرات محیطی مانند روشنایی متفاوت در محیط اطراف خود پاسخ می‌دهند.
این حسگرها عملکرد سیستم عصبی انسان را تقلید می کنند و به طور مصنوعی توانایی نورون های حسی را برای پاسخ ترجیحی به تغییرات در محیط حسی تکرار می کنند.
به طور معمول، این حسگرها تنها حرکات دینامیکی را در یک صحنه ثبت می کنند، که سپس به یک واحد محاسباتی داده می شود که آنها را تجزیه و تحلیل می کند و سعی می کند آنها را تشخیص دهد. این طرح‌های سیستم، که در آن حسگرها و واحدهای محاسباتی پردازش داده‌هایی را که جمع‌آوری می‌کنند به صورت فیزیکی از هم جدا می‌شوند، می‌توانند تاخیر زمانی در پردازش داده‌های حسگر ایجاد کنند و در عین حال انرژی بیشتری مصرف کنند.
محققان دانشگاه پلی تکنیک هنگ کنگ، دانشگاه علم و فناوری Huazhong و دانشگاه علم و فناوری هنگ کنگ اخیراً حسگرهای بینایی مبتنی بر رویداد جدید ایجاد کرده اند که حرکت پویا را ضبط می کند و همچنین می تواند آن را به سیگنال های اسپک قابل برنامه ریزی تبدیل کند.
این حسگرها که در مقاله منتشر شده در Nature Electronics معرفی شده‌اند ، نیاز به انتقال داده‌ها از حسگرها به واحدهای محاسباتی را از بین می‌برند، بنابراین بازده انرژی بهتر و سرعت‌های سریع‌تری را در تجزیه و تحلیل حرکات دینامیکی گرفته‌شده ممکن می‌سازند.
یانگ چای، یکی از نویسندگان مقاله، به Tech Xplore گفت: «معماری محاسباتی حسگر نزدیک و درون حسگر با انجام مستقیم وظایف محاسباتی در نزدیکی یا درون پایانه‌های حسی، تأخیر انتقال داده و مصرف انرژی را کاهش می‌دهد.
“گروه تحقیقاتی ما به مطالعه دستگاه های سفارشی سازی شده در حال ظهور برای محاسبات حسگر نزدیک و درون حسگر اختصاص دارد.
با این حال، ما متوجه شدیم که کارهای موجود بر روی سنسورهای مبتنی بر قاب معمولی تمرکز دارند که داده های اضافی زیادی تولید می کنند.”
پیشرفت‌های اخیر در توسعه شبکه‌های عصبی مصنوعی (ANN) فرصت‌های جدیدی را برای توسعه دستگاه‌های سنجش نورومورفیک و سیستم‌های تشخیص تصویر باز کرده است.
به عنوان بخشی از مطالعه اخیر خود، چای و همکارانشان به بررسی پتانسیل ترکیب حسگرهای مبتنی بر رویداد با شبکه‌های عصبی spiking (SNN) پرداختند ، شبکه‌های عصبی مصنوعی که الگوهای شلیک نورون‌ها را تقلید می‌کنند.
چای گفت: «ترکیب حسگرهای مبتنی بر رویداد و شبکه عصبی اسپکینگ (SNN) برای تجزیه و تحلیل حرکت می‌تواند به طور موثر داده‌های اضافی را کاهش دهد و حرکت را به طور موثر تشخیص دهد.
بنابراین، ما معماری سخت‌افزاری را با پیکسل‌های دو فتودیود با عملکرد سنسورهای مبتنی بر رویداد و سیناپس‌ها پیشنهاد می‌کنیم که می‌توانند به SNN درون حسگر دست یابند.
حسگرهای بینایی محاسباتی رویداد محور جدید که توسط Chai و همکارانش توسعه یافته اند، قادر به سنجش مبتنی بر رویداد و انجام محاسبات هستند.
این حسگرها اساساً در پاسخ به تغییرات در روشنایی و شدت نور پیکسل های ضبط شده محلی، میخ های قابل برنامه ریزی تولید می کنند.
چای توضیح داد: «ویژگی رویداد محور با استفاده از دو شاخه با پاسخ عکس مخالف و زمان‌های پاسخ عکس متفاوت که سیگنال‌های spiking مبتنی بر رویداد را تولید می‌کنند، به دست می‌آید.
“ویژگی سیناپسی توسط فتودیودها با واکنش های عکس متفاوتی که امکان مدولاسیون دقیق دامنه سیگنال های اسپکینگ را فراهم می کند و وزن های سیناپسی مختلف را در یک SNN شبیه سازی می کند، محقق می شود.”
محققان حسگرهای خود را در یک سری آزمایش های اولیه ارزیابی کردند و دریافتند که آنها به طور موثر فرآیندهایی را تقلید می کنند که از طریق آن نورون های مغز با تغییرات در صحنه های بصری سازگار می شوند.
نکته قابل توجه این است که این سنسورها مقدار داده‌هایی را که حسگرها جمع‌آوری می‌کنند کاهش می‌دهند و در عین حال نیازی به انتقال این داده‌ها به یک واحد محاسباتی خارجی را نیز از بین می‌برند.
چای گفت : «کار ما روشی را برای حس کردن و پردازش سناریو با ثبت تغییر شدت نور محلی در سطح پیکسل پیشنهاد می‌کند و بنابراین به جای ANN معمولی، SNN درون حسگر را درک می‌کنیم.
چنین طراحی ترکیبی از مزایای سنسورهای مبتنی بر رویداد و محاسبات درون حسگر است که برای پردازش اطلاعات پویا در زمان واقعی ، مانند رانندگی مستقل و روبات‌های هوشمند مناسب است.
در آینده، حسگرهای دیداری محاسباتی مبتنی بر رویداد که توسط Chai و همکارانش توسعه داده شده‌اند، می‌توانند بیشتر توسعه یابند و در آزمایش‌های اضافی آزمایش شوند تا ارزش آنها برای کاربردهای دنیای واقعی بیشتر ارزیابی شود.
علاوه بر این، این کار اخیر می‌تواند الهام‌بخشی برای سایر گروه‌های تحقیقاتی باشد، بنابراین به طور بالقوه راه را برای فناوری‌های حسگری جدید که حسگرهای مبتنی بر رویداد و SNN را ترکیب می‌کنند، هموار می‌کند.
چای افزود: «در آینده، گروه ما بر روی تحقق در سطح آرایه و فناوری یکپارچه سازی آرایه حسگر محاسباتی و مدارهای CMOS تمرکز خواهد کرد تا یک سیستم محاسباتی درون حسگر کامل را نشان دهد.
علاوه بر این، ما سعی خواهیم کرد معیاری را برای تعریف الزامات متریک دستگاه برای کاربردهای مختلف ایجاد کنیم و عملکرد سیستم محاسباتی درون حسگر را به روش کمی ارزیابی کنیم.
