神经形态计算在自主系统中的具身智能：当前趋势、挑战和未来方向-计算机科学-神经形态计算-具身智能-脉冲神经网络.pdfVIP

Toappearatthe31stIEEEInternationalSymposiumonOn-LineTestingandRobustSystemDesign(IOLTS),Ischia,Italy,

July2025.

神经形态计算在自主系统中的具身智能：当前趋势、挑战和未来

方向

AlbertoMarchisioandMuhammadShafique

eBRAINLab,DivisionofEngineering,NewYorkUniversityAbuDhabi(NYUAD),AbuDhabi,UAE

alberto.marchisio@,muhammad.shafique@

摘要—日益增长的对智能、自适应和节能自主系统的需求，尤其是在合为膜电位，并在超过阈值时发放脉冲（见Figure1）。这种基于

机器人技术、移动代理（例如无人机）和自动驾驶车辆等领域，正在推动脉冲的机制使得SNNs能够高效地处理时间模式，使其成为适用

神经形态计算的兴趣。通过借鉴生物神经系统，神经形态方法为增强自主

于运动识别和实时自主决策等与时间敏感任务的理想选择[4]。

平台的感知能力、决策能力和响应性提供了有前景的方法路径。本文综述

了近期在神经形态算法、专用硬件以及跨层优化策略方面的进展，并重点SpikingNeuron:InputspikesareV

V

关注其在实际自主场景中的部署情况。特别关注基于事件的动态视觉传感Encoding:integratedintothemembranethOutput

器及其在实现快速高效感知方面的作用。讨论强调通过将脉冲神经网络集SequencesofpotentialV.TheoutputspikesInputSpikes

eventsareencoded

aregeneratedwhenVVthSpikesTimestepsT

成到自主系统架构中，来提高能效性、鲁棒性、适应性和可靠性的新方法。asspiketrains

我们整合了机器学习、机器人技术、神经科学和神经形态工程领域的视角，

本以全面阐述该领域的现状。最后，探讨了新兴趋势和开放挑战，特别是在

实时决策、持续学习以及开发安全可靠的自主系统方面。

译IndexTerms—神经形态计算，具身智能，自主系统，脉冲神经网络。

中点I.介绍

1自主系统，如自动驾驶汽车、无人机和可穿戴设备，在严格

v图1.SNN的基本功能，其中输入事件被编码为脉冲序列，神经元将这些

9的能量和计算约束下需要实时决策。传统架构由于其高功耗和延整合到其膜电位中。

3迟往往难以满足这些需求。受人类大脑能效启发的神经形态计算

1通过脉冲神经网络（SNNs）提供了一种可行的选择，SNNs通过点B.神经形态硬件

8

1离散事件处理信息，实现低功耗、低延迟推理[1],[2]。这种基于神经形态平台通过复制生物系统的结构和功能特性，专门

.

7事件的范式特别适合处理时间稀疏的数据，并且自然地与基于事用于高效执行SN