2月10日，北京航空航天大学研究团队在《自然·通讯》发表最新成果，他们开发的视觉系统在运动处理速度上比现有主流光流技术快四倍，有望显著提升自动驾驶车辆、工业机器人和手术机器人等系统的反应速度。

这一突破源自神经形态工程领域的创新。与传统芯片将存储与运算分离的架构不同，神经形态硬件仿照大脑结构将二者融合，从而提高运算效率并降低能耗。长期以来，这一研究方向被视为弥合机器与人类感知差距的重要路径。

据团队负责人高硕介绍，其研发灵感来源于大脑的外侧膝状体。这个位于视神经膜与视觉皮层之间的结构，既负责传递信息，也承担信号筛选功能。由于能够对时间与空间变化高度敏感，人类视觉系统可优先处理快速变化的对象。研究团队尝试将这种选择性注意机制在芯片中实现。

传统机器视觉依赖摄像头拍摄连续静态帧，并通过光流算法追踪像素亮度变化来判断运动，但该方法处理一帧图像可能耗时超过0.5秒。对于高速行驶的自动驾驶车辆而言，这种延迟意味着在感知空窗期内，车辆就可能前进数米。

研究人员开发的神经形态模块可直接检测光强随时间变化的区域，仅对发生变化的部分分配算力，实现实时运动识别。

在模拟驾驶和机器人操作测试中，该系统将延迟减少约75%，并在复杂运动场景下将追踪精度提升一倍。

该系统仍依赖传统光流算法进行最终图像解析，且在多重运动交错场景中表现有限，不过整体性能已明显优于传统方案，显示未来机器视觉响应速度可能接近甚至超过人类。

▲ a. 示例应用场景。b. 所提出的神经形态运动提取硬件流水线与传统光流流水线的并排视图。c. 两种方法的处理时间和准确性比较。

熟悉该研究的专家认为，这项技术有望扩展机器人安全运行的环境范围，从道路到家庭场景。在家庭中，机器人需识别手势与细微表情，更快的视觉反馈将使人机互动更加自然。

下一阶段挑战在于扩大神经形态硬件规模，并在保持速度与精度的同时整合进现有AI系统。如果顺利推进，受生物启发的视觉架构可能改变机器人理解动态世界的方式与速度。

IT之家附有关研究链接