飞行昆虫能够有效地导航它们的环境，处理视觉刺激，以避免障碍和安全地降落在各种表面。 在过去十年左右的时间里，世界各地的研究团队一直在尝试在自主微型飞行器(MAVs)中使用类似于在昆虫中观察到的机制来复制这些能力。

数年来，TU Delft的MAVLAB的研究人员一直在尝试开发昆虫启发的技术，这些技术可以增强小型无人机的导航和着陆策略。 在最近在ar Xiv上发表的一篇论文中，他们介绍了一种新的策略来创建神经形态控制器，可以改善MAVs的着陆。

“在TU Delft的MAVLAB，我们研究小型无人机的自主飞行，”进行这项研究的研究人员之一杰西·哈赫纳尔斯告诉TechXplore。 “这是一个重大挑战，因为我们的无人机（有时轻至20克）在能源、传感和加工方面资源极为有限。 这就是为什么我们从大自然，特别是从飞虫中汲取了很多灵感。”

在以前的工作中，MAVLab的研究人员开发了一系列基于生物启发的技术，用于基于视觉的运动估计，使用尖峰神经网络(SNN)。 SNN是一类人工神经网络，它密切模拟人脑中的神经网络，利用激活尖峰来计算和分析信息。

在他们的新研究中，赫赫纳夫妇和他的同事们希望把他们的技术再向前一步，利用他们来控制MAV的飞行和着陆。 为此，他们开始与荷兰国家计算机科学和数学研究所(C WI)合作，该研究所在开发尖峰神经网络方面拥有高水平的专门知识。

哈赫纳尔斯说：“我们研究的最终目标是将运动估计和控制连接起来，最终形成一个完全由生物激发的管道，这将比传统的基于视觉的控制方法在能源支出方面更有效率。” 目前，为了证明控制部分的可行性，我们将我们的方法应用于着陆机动。

大多数以前开发的在基于视觉的着陆过程中控制MAV的技术都是基于比例控制器和传统的ANN。 基于SNN的控制器具有实现类似甚至更好的结果的潜力，并且具有更高的能量效率。

与传统的人工神经网络(ANNs)不同，每个神经元在每个时间步长传递一个真实值，SNNs只在接收到足够的刺激时才输出二进制尖峰。 鉴于每个单个尖峰或计算都需要一定的能量，SNNs往往比传统的ANN具有更高的能量效率，因为它们通常使用所谓的“神经形态硬件”来实现。

哈赫纳尔斯说：“虽然我们没有在神经形态硬件上实现我们的尖峰控制器，但我们确实在能源效率方面迈出了一步，最大限度地减少了网络用于执行控制的尖峰数量。” “这是通过在控制器的进化优化过程中将尖峰数作为一个目标来实现的。”

赫赫纳尔和他的同事使用模拟工具训练他们的基于SNN的控制器，然后评估他们在现实世界环境中的表现。 他们的实验产生了非常有希望的结果，控制器使快速和安全的MAV着陆，同时保持SNN尖峰，从而将能量消耗降到最低。

有趣的是，研究人员还发现，产生较少尖峰的尖峰控制器（即花费较少的能量）的性能与产生更多尖峰的控制器一样好。 事实上，限制传入尖峰的数量似乎简化了控制器着陆能力从模拟环境到现实世界的转移。

哈赫纳尔斯说：“首先，这项工作是第一次将尖峰神经网络集成到现实世界飞行机器人的控制回路中。” 第二，我们大大减少了控制器的尖峰率，这将导致相当大的能量节省时，实现神经形态硬件。 除了使尖峰网络尽可能小外，我们还将网络尖峰率作为多目标演化的目标。

赫赫纳尔和他在TUDelft的同事是第一批在现实世界环境中使用SNN来控制飞行机器人的人之一。 他们创建的控制器最终可以帮助研究人员提高现有和新开发的MAV的性能和能源效率，特别是在着陆期间。

哈赫纳尔说：“我们最近的论文只关注基于给定运动估计的生物激发控制。” 然而，估计这种运动的实际方法并不是很有生物启发。 因此，我们现在希望将我们的控制器与MAVLAB以前开发的生物激发运动估计方法（也基于尖峰网络）结合起来，最终形成一个完全生物激发的管道。”

到目前为止，研究人员只在传统芯片上测试了他们的控制器，但他们预测的能量节省只能用神经形态硬件来实现。 因此，在他们未来的工作中，他们也希望在神经形态芯片上实现它们，比如英特尔的Loihi芯片。