Suchen

Kollisionsschutz: Erster Spiking-Neural-Network-Chip für Drohnen-Radar

| Redakteur: Michael Eckstein

Ein neuartiger Imec-Chip ahmt Bio-Neuronengruppen nach und kann zeitliche Muster erkennen. Damit ausgestattet soll ein Drohnen-Radar Mikro-Doppler-Signaturen sofort klassifizieren können und blitzschnelle Reaktionen ermöglichen – bei minimalem Energieaufwand.

Firmen zum Thema

Nervenkitzel: Die Neuronen des Spiking-Neural-Network-Chips feuern nur, wenn sich der Zustand des Sensorsignals ändert.
Nervenkitzel: Die Neuronen des Spiking-Neural-Network-Chips feuern nur, wenn sich der Zustand des Sensorsignals ändert.
(Bild: imec )

Imec (Interuniversity Microelectronics Centre) will Drohnen helfen, Kollisionen im Flug zu vermeiden: Dazu hat das im belgischen Löwen ansässige Forschungszentrum für Nano- und Mikroelektronik einen Chip entwickelt, der Radarsignale mit Hilfe eines rekursiven neuronalen Netzwerks mit Spitzenwerten verarbeitet. Nach Angaben des imecs ist es der weltweit erste Chip seiner Art. Gegenüber bisherigen Implementierungen sei der neue Chip zudem 10-mal schneller und 100-mal energieeffizienter. Um die Leitungsfähigkeit seines Chips unter Beweis zu stellen entwickeln Forscher am imec ein intelligentes Anti-Kollisionsradarsystems für Drohnen, das sich nähernde Objekte in wenigen Millisekunden identifiziert.

Anti-Kollisionsvorrichtungen müssen Objekte extrem schnell erkennen, klassifizieren und mit ihren Ausgabedaten eine geeignete Reaktion in Sekundenbruchteilen ermöglichen. Der imec-Chip ahmt die Art und Weise nach, wie Gruppen biologischer Neuronen arbeiten, um zeitliche Muster in Radarsignalen blitzschnell erkennen zu können. Laut imec hat er eine zehnmal kürzere Latenzzeit als herkömmliche Implementierungen, was eine unmittelbare Entscheidungsfindung ermögliche. Gleichzeitig benötige der Chip nur sehr wenig Strom: Beispielsweise könne er Mikro-Doppler-Radarsignaturen mit nur 30 μW Leistung klassifizieren.

Abstimmung für andere Anwendungen leicht möglich

Architektur und Algorithmen des Chips sollen sich leicht auf die Verarbeitung einer Vielzahl von Sensordaten – etwa Elektrokardiogramm, Sprache, Sonar, Radar und Lidarströme – abstimmen lassen. Die erste Anwendung ist jedoch der Aufbau eines „hochintelligenten Antikollisionsradarsystems mit geringer Leistung für Drohnen, das viel effektiver als bisherige Lösungen auf sich nähernde Objekte reagieren kann“, sagt Ilja Ocket, Programmmanager für neuromorphe Sensorik am imec.

Künstliche neuronale Netze (Artificial Neural Networks, ANNs) haben sich bereits in einer Vielzahl von Anwendungsbereichen bewährt. Sie sind z.B. ein wesentlicher Bestandteil der in der Automobilindustrie üblichen radargestützten Antikollisionssysteme. ANNs haben jedoch auch ihre Grenzen. Zum einen verbrauchen sie zu viel Energie, als dass sie in (Sensor-)Geräte mit immer engerem Energiekorsett integriert werden könnten. Darüber hinaus erfordert die zugrunde liegende Architektur und Datenformatierung von ANNs, dass die Daten einen zeitaufwändigen Weg vom Sensorgerät zum KI-Inferenzalgorithmus zurücklegen müssen, bevor eine Entscheidung getroffen werden kann. Dies verlängert die Reaktionszeit des Gesamtsystems.

„Großer Schritt in Richtung wirklich selbstlernender Systeme“

Die Lösung seien „Spiking Neural Networks“ (SNNs): „Wir stellen den weltweit ersten Chip vor, der Radarsignale mit Hilfe eines rekursiven SNN verarbeitet“, sagt Ocket. SNNs würden sehr ähnlich wie biologische neuronale Netzwerke funktionieren: Hier feuern Neuronen nur dann winzige elektrische Impulse ab, wenn sich die Größe am Sensoreingang ändert. Dies sorgt für einen minimalen Energieverbrauch. Darüber hinaus sollen sich die Spikes-Neuronen auf dem imec-Chip immer wieder neu verbinden lassen. Das SNN werde so zu einem dynamischen System, das zeitliche Muster lernt und sich erinnert. Ocket ist überzeugt: „Die Technologie, die wir heute einführen, ist ein großer Schritt vorwärts in der Entwicklung wirklich selbstlernender Systeme.“

Den neuartigen Chip haben Imec-Forscher ursprünglich zur Unterstützung des Elektrokardiogramms (EKG) und der Sprachverarbeitung in Geräten entwickelt, die nur wenig Strom verbrauchen dürfen. Dank seiner generischen Architektur, „die ein völlig neues digitales Hardware-Design“ aufweise, ließe er sich aber auch leicht umkonfigurieren. Dadurch sei es möglich, eine Vielzahl anderer sensorischer Eingaben wie Sonar-, Radar- und Lidar-Daten zu verarbeiten. Im Gegensatz zu analogen SNN-Implementierungen soll das ereignisgesteuerte digitale Design von imec dafür sorgen, dass sich der Chip genau und wiederholt so verhält, wie von den Simulationswerkzeugen für neuronale Netze vorhergesagt.

Intelligenteres Anti-Kollisionssystem mit geringer Leistung für Drohnen (und Autos)

Schon allein aufgrund der Baugröße und dem möglichst geringen Gewicht können Drohnen nur verhältnismäßig kleine Batterien nutzen. Ihnen steht damit ein viel kleineres Energiebudget zur Verfügung als beispielsweise Autos. Trotzdem müssen sie schnell auf Veränderungen in ihrer Umgebung reagieren können – etwa auf herannahende Hindernisse.

„Daher ist der Aufbau eines Anti-Kollisionssystems mit niedriger Latenz und geringem Stromverbrauch für Drohnen einer der Haupteinsatzbereiche für unseren neuen Chip“, sagt Ocket. Da der imec-Chip in direkter Nähe zum Radarsensor Berechnungen durchführe, sei das System in der Lage, viel schneller und genauer zwischen sich nähernden Objekten zu unterscheiden. Dies wiederum soll es den Drohnen ermöglichen, fast augenblicklich auf potenziell gefährliche Situationen zu reagieren. „Ein Szenario, das wir derzeit untersuchen, sind autonome Drohnen, die für die Navigation im Lager auf ihre bordeigene Kamera und Radarsensorsysteme angewiesen sind und die bei der Ausführung komplexer Aufgaben einen Sicherheitsabstand zu Wänden und Regalen einhalten“, erklärt Ockert. Diese Technologie könnte auch in vielen anderen Anwendungsfällen eingesetzt werden – von Robotik-Szenarien über den Einsatz von fahrerlosen Transportsystemen (AGVs) bis hin zur Gesundheitsüberwachung.

Der entwickelte Chip erfülle die Nachfrage der Industrie nach extrem stromsparenden neuronalen Netzen, die tatsächlich aus Daten lernen und eine personalisierte KI ermöglichen, ist Kathleen Philips überzeugt. Die Programmdirektorin für kognitive IoT-Sensorik am imec führt aus: „Für die Entwicklung dieses Chips haben wir Experten aus verschiedenen Disziplinen innerhalb des imec zusammengebracht – von der Entwicklung von Trainingsalgorithmen und Spitzenarchitekturen für neuronale Netze, die auf den Neurowissenschaften basieren, über biomedizinische und Radarsignalverarbeitung bis hin zum Design digitaler Chips mit extrem niedrigem Stromverbrauch.“

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46576578)