降低脉冲神经网络推理延迟以实现具有输入自适应泄漏的行为克隆

发布时间:2026-09-30 | 来源:Nature Scientific Reports | 作者:Takehiro Habara

行为克隆能够从有限的演示中高效模仿复杂的人类技能。然而,常用于策略学习的人工神经网络(ANN)存在计算需求高和能耗大的问题。脉冲神经网络(SNN)因其事件驱动和节能特性而成为一种有前景的替代方案。SNN的一种常见训练方法是将预训练ANN的权重转换为等效的SNN。然而,由于速率编码,这种转换后的SNN通常需要对每个输入进

行为克隆能够从有限的演示中高效模仿复杂的人类技能。然而,常用于策略学习的人工神经网络(ANN)存在计算需求高和能耗大的问题。脉冲神经网络(SNN)因其事件驱动和节能特性而成为一种有前景的替代方案。SNN的一种常见训练方法是将预训练ANN的权重转换为等效的SNN。然而,由于速率编码,这种转换后的SNN通常需要对每个输入进行多个推理时间步才能使发放率收敛,从而导致延迟增加。这一问题对于连续感官输入(如机器人操作中的视频帧)尤为突出。为解决此问题,我们提出了一种输入自适应泄漏机制,可根据输入变化动态控制膜电位的泄漏,膜电位是脉冲神经元的内部状态。当连续输入之间的变化较小时,该机制降低泄漏以保持膜电位。相反,当输入变化较大时,该机制增加泄漏以利用新输入快速更新膜电位。我们使用混合ANN-SNN策略评估所提出的方法,其中仅视觉编码器被转换为SNN。实验在RoboManipBaselines仿真环境中的四个机器人操作任务和一个真实机器人操作任务上进行。与传统基于重置的SNN相比,所提出的方法将每帧推理时间步减少了高达87.5%,并将整个混合策略每回合的实测能耗平均降低了22.6%。当帧间变化较大且分布广泛时,这些优势会减弱,此时所提出的方法可能需要更多的时间步和能耗。总体而言,所提出的方法提高了传统基于SNN策略的效率,尽管在评估的CPU和GPU平台上ANN仍然更高效。

返回资讯频道