MARC

 008260203s2023        us                              c    eng  d
■001000017365956
■00520260209102902
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265404909
■035    ▼a(MiAaPQ)AAI32315543
■035    ▼a(MiAaPQ)GeorgiaTech75596
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aLele,  Ashwin  Sanjay.
■24510▼aSpiking  Neural  Networks  Enabled  Circuits  and  Systems  for  Edge  Robots
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a154  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Raychowdhury,  Arijit.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aRobotic  computing  at  the  edge  needs  to  meet  multiple  constraints  on  power  and  form  factor  while  delivering  the  required  performance  for  power-hungry  neural  network  kernels.  This  work  proposed  spiking  neural  network  (SNN)  alternatives  and  augmentations  for  algorithms  and  circuits  for  edge  robots.  We  show  SNN-driven  locomotion  for  powerconstrained  hexapod  robots,  SNN-augmented  target  tracking  for  high-speed  aerial  robots  and  SNN-assisted  visual  navigation  for  size-critical  micro-robots.The  first  part  (Chapters  II  and  III)  of  the  work  extends  the  rhythmic  leg  movement  of  insects  to  an  SNN-based  gait  generator  to  demonstrate  an  online  reward-based  training  method  for  autonomous  learning  to  walk.  We  then  utilize  an  event-based  vision  sensor  as  the  sensory  front-end  to  the  hexapod  locomotion  to  show  the  first  spike-only  closed-loop  robotic  platform.In  the  second  part  (Chapter  IV  and  V),  we  observe  that  SNN  and  event-camera  forms  a  sensor-processor  pair  well-suited  for  high-speed  processing  while  frame-camera  with  convolutional  neural  network  (CNN)  suits  the  applications  with  the  high-accuracy  requirement.  This  trade-off  between  accuracy  vs.  latency  in  the  event  and  frame-based  visual  processing  arises  from  the  detailed  temporal  and  spatial  resolutions  captured  by  event  and  frame  cameras  respectively.  We  utilize  these  complementary  strengths  to  build  high-speed  target  identification  and  tracking  system  with  SNN  providing  high-speed  but  noisy  target  estimates  with  CNN  preserving  the  lost  accuracy  by  providing  reliable  periodic  anchors.  We  build  a  heterogeneous  SoC  with  low-power  RRAM  compute-in-memory  mapping  CNN  and  highspeed  SRAM  compute-near-memory  accelerating  SNN.  We  also  extend  this  framework  of  fused  event  and  frame  processing  to  optical  flow  to  generalize  it  beyond  target  tracking  applications.The  final  part  (Chapter  VI)  of  the  work  generalizes  the  idea  of  multi-modal  processing  applied  in  the  previous  chapters  to  divide  the  robotic  computing  workloads  between  CNN  perception  front-end  and  SNN  localization  back-end.  Our  SoC  uses  RRAM  compute-nearmemory  kernels  to  accelerate  CNN-based  perception  while  SRAM  compute-in-memory  carries  out  SNN-based  localization  for  micro-robots.  To  summarize,  this  work  attempted  to  substitute  and  augment  compute-constrained  robotic  computing  with  SNN  for  energy  saving  and  performance  improvement.
■590    ▼aSchool  code:  0078.
■650  4▼aRobots
■650  4▼aNeurons
■650  4▼aSurveillance
■650  4▼aEnergy  consumption
■650  4▼aNeural  networks
■650  4▼aLegs
■650  4▼aRobotics
■690    ▼a0800
■690    ▼a0771
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365956▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서