Die Zeit, die autonome Fahrzeuge und Roboter benötigen, um ihre Umgebung wahrzunehmen und darauf zu reagieren, ist entscheidend für die sichere Ausführung ihrer Aufgaben. In diesem Zusammenhang hat eine neue Studie von Forschern der Beihang-Universität in China ein neues Sichtsystem vorgestellt, das Bewegungserkennungsprozesse im Vergleich zu aktuellen optischen Flussmethoden viermal schneller durchführen kann.
Die Studie hat das Potenzial, die Reflexe von Maschinen in einem breiten Spektrum erheblich zu stärken – von autonomen Fahrzeugen über Industrieroboter und chirurgische Systeme bis hin zu humanoiden Robotern.
Grundlage der Forschung ist das neuromorphe Engineering. Dieser Ansatz, der von den Funktionsprinzipien des menschlichen Gehirns inspiriert ist, vereint im Gegensatz zu herkömmlichen Prozessoren Speicher- und Recheneinheiten in derselben Struktur. Dadurch werden Verzögerungen bei der Datenübertragung reduziert und die Energieeffizienz gesteigert. Neuromorphe Hardware gilt seit langem als einer der vielversprechendsten Wege, um die Lücke zwischen maschineller und menschlicher Wahrnehmung zu schließen.
Vom LGN zum Silizium
Der Robotik-Experte Shuo Gao und sein Team, die das Projekt leiteten, ließen sich vom LGN (Nucleus geniculatus lateralis) inspirieren, einer relativ wenig bekannten, aber kritischen Region des Gehirns.
Diese Struktur, die sich zwischen der Netzhaut und dem visuellen Kortex befindet, fungiert sowohl als Relaisstation als auch als leistungsstarker Filter. Das LGN, das empfindlich auf zeitliche und räumliche Veränderungen reagiert, priorisiert schnell bewegte oder sich plötzlich ändernde Objekte und lenkt so die Rechenleistung des Gehirns auf die wichtigsten Bereiche.
Die Forscher passten diesen Mechanismus der „selektiven Aufmerksamkeit“ an eine siliziumbasierte Architektur an. In herkömmlichen robotischen Sichtsystemen erfassen Kameras feste Einzelbilder, und optische Flussalgorithmen berechnen die Bewegung, indem sie die Veränderungen zwischen aufeinanderfolgenden Bildern verfolgen. Obwohl diese Methode zuverlässig ist, kann die Verarbeitung eines einzelnen Bildes mehr als eine halbe Sekunde dauern. Für ein autonomes Fahrzeug, das beispielsweise mit 110 km/h auf einer Autobahn fährt, bedeutet diese Verzögerung, dass das System über fast 15 Meter hinweg „blind“ ist.
Um dieses Problem zu lösen, entwickelte das Team der Beihang-Universität einen speziellen neuromorphen Chip, der zeitliche Veränderungen der Lichtintensität direkt wahrnehmen kann. Anstatt das gesamte Bild der Szene gleichmäßig zu verarbeiten, erkennt das System nur die Regionen, in denen Veränderungen auftreten, und lenkt die Rechenressourcen auf diese Bereiche. Dadurch wird unnötiger Datenverarbeitungsaufwand eliminiert und die Latenz dramatisch gesenkt.
In Tests, die simulierte Fahrszenarien und Aufgaben mit Roboterarmen umfassten, reduzierte das Prototypsystem die Verarbeitungsverzögerung um etwa 75 Prozent. Zudem wurde berichtet, dass sich die Präzision der Bewegungsverfolgung bei komplexen Manövern verdoppelt hat. Diese Ergebnisse zeigen, dass das System insbesondere in dynamischen Umgebungen wie plötzlichen Richtungswechseln oder dichtem Verkehr einen deutlichen Vorteil bietet.
Obwohl die Daten beeindruckend sind, benötigt die neue Architektur in der Phase der endgültigen Bildinterpretation immer noch traditionelle optische Flussalgorithmen. Zudem können in visuell überfüllten Umgebungen, in denen sich viele Bewegungen überlagern, Performance-Schwierigkeiten auftreten. Dennoch stellen die erzielten Fortschritte eine bemerkenswerte Verbesserung gegenüber klassischen Hardwarestrukturen dar und deuten darauf hin, dass sich die Wahrnehmungsgeschwindigkeit von Maschinen dem menschlichen Niveau nähern kann.
