Um Energie zu sparen, verwenden die Chips einen hybriden digital-analogen Time-Domain-Prozessor, in dem die Impulsbreite der Signale die Informationen codiert. Der neuronale Netz-IC bietet modellbasierte Programmierung und kollaboratives Verstärkungslernen und könnte den kleinen Robotern grössere Fähigkeiten für Aufklärung, Such- und Rettungseinsätze und anderes bieten.
Grosse Nachfrage nach autarken, kleinen Robotern
Forscher des Georgia Institute of Technology demonstrierten auf der IEEE International Solid-State Circuits Conference (ISSCC) 2019 Roboterfahrzeuge, die von den einzigartigen ASICs gesteuert wurden. «Wir versuchen, diesen sehr kleinen Robotern Intelligenz zu vermitteln, damit sie ihre Umgebung kennenlernen und sich autonom und ohne In frastruktur bewegen können», sagte Professor Arijit Raychowdhury von der Georgia Tech's School of Electrical and Computer Engineering. «Um das zu erreichen, wollen wir diesen sehr kleinen Komponenten Low-Power-Schaltungskonzepte geben, damit sie selbstständig Entscheidungen treffen können. Es besteht eine grosse Nachfrage nach sehr kleinen, aber leistungsfähigen Robotern, die keine Infrastruktur benötigen.»
Hybrider ASIC dient Fahrzeugen als Gehirn
Die von Raychowdhury und den Doktoranden Ningyuan Cao, Muya Chang und Anupam Golder demonstrierten Autos navigierten durch eine Arena, die von Gummipolstern gesäumt und von Pappblockwänden umgeben war. Auf der Suche nach einem Ziel müssen die Roboter Verkehrskegel und einander meiden, von der Umgebung lernen und ständig miteinander kommunizieren. Die Autos verwenden Trägheits- und Ultraschallsensoren, um ihre Position zu bestimmen und Objekte um sie herum zu erkennen. Die Informationen der Sensoren werden zum hybriden ASIC übermittelt, der den Fahrzeugen als Gehirn dient. Die Anweisungen gehen dann an einen Raspberry Pi-Controller, der entsprechende Befehle an die Elektromotoren sendet.
Bei den handtellergrossen Robotern verbrauchen drei Hauptsysteme Energie: die Motoren und Steuerungen für die Räder, der Prozessor und das Sensorsystem. In den vom Raychowdhury-Team gebauten Autos bewirkt der Low-Power-ASIC, dass die Motoren den grössten Teil der Energie verbrauchen. «Wir haben es geschafft, die Rechenleistung auf ein Niveau zu senken, bei dem das Energiebudget von den Anforderungen der Motoren dominiert wird», sagte er. Das Team arbeitet mit Partnern an Motoren, die mit der MEMSTechnologie funktionieren und mit deutlich weniger Energie als herkömmliche Motoren auskommen.
Laufzeiten von mehreren Stunden
«Wir möchten ein System bauen, in dem das Sensing, die Kommunikations- und Computerleistung sowie der Antrieb in etwa auf dem gleichen Energieniveau liegen, und zwar in der Grössenordnung von Hunderten von mW», so Professor Raychowdhury. «Wenn wir diese handtellergrossen Roboter mit effizienten Motoren und Steuerungen bauen können, sollten wir in der Lage sein, Laufzeiten von mehreren Stunden mit ein paar AA-Batterien zu erreichen.»
«Wir haben jetzt genau erkannt, welche Art von Computerplattform wir dafür benötigen, aber wir brauchen immer noch die anderen Komponenten, um aufzuholen.» In der TimeDomain-Berechnung werden Informationen über zwei verschiedene Spannungen übertragen, die in der Impulsbreite codiert sind. Das gibt den Schaltungen die Energieeffizienzvorteile analoger Schaltungen und die Robustheit digitaler Systeme.
Der Stromverbrauch liegt im mW-Bereich
«Die Grösse des Chips wird um die Hälfte reduziert, und der Stromverbrauch beträgt ein Drittel dessen, was ein herkömmlicher Digitalchip benötigen würde», erklärte Raychowdhury. «Wir haben mehrere Techniken sowohl in der Logik als auch im Speicherdesign eingesetzt, um den Stromverbrauch auf den mW-Bereich zu reduzieren und gleichzeitig die angestrebte Performance zu erreichen.» Da jede Impulsbreite einen anderen Wert darstellt, ist das System langsamer als digitale oder analoge Systeme, aber Raychowdhury meint, dass die erreichte Geschwindigkeit für die kleinen Roboter ausreichend ist. «Für diese Steuerungssysteme brauchen wir keine Schaltungen, die mit mehreren GHz arbeiten, weil sich die Roboter nicht so schnell bewegen», sagte er. «Wir opfern ein wenig Performance, um eine extreme Energieeffizienz zu erreichen. Selbst wenn die Berechnung mit 10 oder 100 MHz arbeitet, reicht das für unsere Zielanwendungen aus.»
Die 65-nm-CMOS-Chips erlauben beide Lernarten, die für einen Roboter geeignet sind. Das System kann so programmiert werden, dass es modellbasierten Algorithmen folgt, und es kann aus seiner Umgebung lernen, indem es ein Verstärkungssystem verwendet, das im Laufe der Zeit eine immer bessere Performance fördert – ähnlich wie bei einem Kind, das lernt zu laufen, indem es unter anderem an Dinge stösst.
System wird dann selbstständig Entscheidungen treffen «Man startet das System mit einem vorgegebenen Satz von Gewichtungen im neuronalen Netz, so dass der Roboter von einem guten Ausgangspunkt aus starten kann und nicht sofort abstürzt oder falsche Informationen gibt», sagte Raychowdhury. «Wenn man das System an einem neuen Standort einsetzt, wird die Umgebung einige Strukturen haben, die das System erkennt und die das System aber erst erlernen muss. Das System wird dann selbstständig Entscheidungen treffen und die Effektivität jeder Entscheidung zur Optimierung seiner Bewegungen messen.»
«In einer kollaborativen Umgebung muss der Roboter zudem nicht nur verstehen, was er tut, sondern auch, was andere in der gleichen Gruppe tun», sagte er. «Sie werden daran arbeiten, den Gesamtlohn der Gruppe zu maximieren, im Gegensatz zur Belohnung des Einzelnen.»
Roboter-Video www.polyscope.ch/2019/gatech
Infoservice
Georgia Institute of Technology
North Avenue, Atlanta, GA 30332, USA
Tel. +1 404 894 20 00
