加入星计划,您可以享受以下权益:

  • 创作内容快速变现
  • 行业影响力扩散
  • 作品版权保护
  • 300W+ 专业用户
  • 1.5W+ 优质创作者
  • 5000+ 长期合作伙伴
立即加入
  • 正文
  • 推荐器件
  • 相关推荐
  • 电子产业图谱
申请入驻 产业图谱

超低功耗ASIC惊艳ISSCC,让机器人小车跑几分钟和几个小时的差别

2019/03/12
63
阅读需 23 分钟
加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

近日,科学家研发成功一款超低功耗混合信号芯片,该芯片的设计灵感来自对人类大脑的认识,可以帮助手掌大小的机器人协同工作,并从经验中学习。结合新一代的低功耗电机传感器,该 ASIC 以毫瓦功率运行,从而可以将单节干电池供电智能机器人的运行时间从几分钟提高到数小时。

佐治亚理工学院的研究人员研发成功一款超低功耗混合信号芯片,该芯片的设计灵感来自对人类大脑的认识,可以帮助手掌大小的机器人协同工作,并从经验中学习。


为了节省功耗,该芯片使用了混合了数字模拟信号的时域处理器,采用信号的脉冲宽度对信息进行编码。该神经网络 IC 不仅可以适用于基于模型的编程应用,也具备协作能力,可以强化自我学习。它赋予了小型机器人更大的侦查、搜救以及执行其它任务的能力。

佐治亚理工学院的研究人员在 2019 年的 IEEE 国际固态电路会议(ISSCC)上展示了一款搭载了该独特 ASIC 的机器人小车。这项研究的赞助者包括国防部高级研究计划局(DARPA)、半导体研究组织(SRC)和基于大脑启发运算的自主智能研究中心(CBRIC)。


在试验场中放置了一个由该超低功耗混合信号芯片控制的机器人小车,以展示它的自我学习能力以及它和另一个机器人小车协作的能力。

佐治亚理工学院电气与计算机工程学院副教授 Arijit Raychowdhury 表示:“我们正在努力赋予这些非常小的机器人智能,以便它们可以了解自己周遭的环境,并在没有基础设施的帮助下自主移动。为了实现这一目标,我们将低功耗电路的概念引入到这些非常小的设备中,让它们自己做出决策。现在的市场上,对无需基础设施就能自主运行的非常小但功能强大的机器人的需求非常庞大。”

Raychowdhury 和他的研究生 Ningyuan Cao、Muya Chang 和 Anupam Golder 展示的汽车要穿过一个由橡胶垫覆盖着的试验场地,周围挡着纸板墙。当这些机器人小车搜索目标时,它们必须避开交通路障,并避免彼此相撞,它们在这个环境中不断学习并相互通信

机器人小车使用惯性传感器超声波传感器来确定自己的位置,并检测周围的物体。传感器信息被传递到混合信号 ASIC 中,该 ASIC 是机器人小车的大脑。指令发送到树莓派控制器,该控制器向电动马达发送指令。


在手掌大小额机器人小车中,主要有三个子系统在消耗功率:用于驱动和操纵车轮的电机及其控制器、处理器和传感系统。在 Raychowdhury 和他的团队设计的机器人小车中,处理器的低功耗特性意味着大部分功率是由电机消耗掉的。“我们将 ASIC 的计算能力降低,从而降低了其功耗,使得功耗预算主要受到电机功率需求的支配。”他说。

佐治亚理工学院的团队正在与使用微机电技术的电机从业者合作,以提高电机的功率密度。

“我们希望打造一个系统,在该系统中,传感子系统、通信和计算单元、驱动模块的功率大致都处于几百毫瓦左右的功率水平上。”Raychowdhury 说,这位佐治亚理工学院的副教授同时也是安森美半导体的技术顾问。“如果我们能够使用高效的电机和控制器来制造这些手掌大小的机器人,那么我们就可以在几节 AA 电池供电的情况下运行好几个小时。我们很清楚需要一个什么样的计算平台,但是除了计算 IC,还需要其它组件的配合。”

在时域计算中,以不同的电压水平代表不同的信息,它是以脉冲宽度的形式进行编码的。这种方式结合了模拟电路的高能效特点和数字器件的稳健性。

“和传统的数字芯片相比,该芯片尺寸减少了一半,功耗下降为原来的三分之一,”Raychowdhury 说。 “我们在逻辑电路和存储器的设计中使用了多种技术,将功耗降低到了毫瓦范围,同时还能满足目标性能。”

鉴于是采用不同的脉冲宽度表示不同的值,该系统比单纯的数字器件后者模拟器件都慢。但是 Raychowdhury 表示,这种速度对于小型机器人来说已经足够快乐。

“对于这些控制系统而言,我们不需要那种运行频率在几千兆赫兹的电路,因为机器人本身的移动速度就不快,”他说。“我们牺牲了一点性能,以获得极高的电源效率。即使工作在 10MHz 或者 100MHz,对于我们的目标应用来说也足够快了。”

这款 CMOS 芯片基于 65 纳米工艺打造,适用于机器人的两种学习模式。其一,该系统可以通过编程执行基于固定模型的算法,其次,它可以自我强化,从环境中学习。随着时间的推移,该系统能够实现越来越好的性能,就像蹒跚学步的孩子磕磕绊绊地慢慢学会走路一样。

Raychowdhury 说:“在神经网络中,你先使用一组预定的权重来启动系统,这样机器人就可以正常启动,而不会立即崩溃或者提供错误信息。当你在新的位置部署它后,周遭的环境就发生了变化,但是环境本身会有一些该机器人能够识别进而学习的结构。然后系统就自行做出决定,评估每项决策的有效性,以优化它的后续动作。”

机器人之间可以互相通信,这可以使它们协同工作以寻找一个目标。“在互相协作的团队共同面对的相同环境中,机器人不仅需要了解自己在做什么,还要知道团队中的其它同志在干什么。”他说,“它们将致力于实现团体利益的最大化,而不是着眼于自己。”

佐治亚理工学院的研究团队在国际固态电路会议上进行了概念验证之后,还在继续进一步优化设计,并正在开发可以集成计算单元和控制电路片上系统。“我们希望在这些小型的机器人中实现越来越多的功能,”Raychowdhury 补充道,“我们已经展示了它现在能干什么,我们现在所做的事情就是通过其它创新进一步增强它的能力。”

与非网编译内容,未经许可,不得转载!

推荐器件

更多器件
器件型号 数量 器件厂商 器件描述 数据手册 ECAD模型 风险等级 参考价格 更多信息
74VHC14MTCX 1 Fairchild Semiconductor Corporation Inverter, AHC/VHC Series, 6-Func, 1-Input, CMOS, PDSO14, 4.40 MM, MO-153AB, TSSOP-14
$0.36 查看
553SCMGI 1 Integrated Device Technology Inc COL-8, Cut Tape

ECAD模型

下载ECAD模型
$8.47 查看
NC7WZ07P6X 1 Fairchild Semiconductor Corporation Buffer, LVC/LCX/Z Series, 2-Func, 1-Input, CMOS, PDSO6, 1.25 MM, EIAJ, SC-88, SC-70, 6 PIN
$0.28 查看

相关推荐

电子产业图谱