說起樂高積木，大多數人一定都想的是小孩子的玩具吧？但如果再加上Cortex-M4處理器，一兩個馬達和一些電線綁帶，你能把它玩得有“技術含量”嗎？當然，“技術流”玩家還是有的，Sebastian F?rster，這位來自德國的嵌入式系統開發者，便用這些東西搭建了一個四足機器人，并且用神經網絡教會它走路。這個被命名為“Scratchy”小怪物的機器人，一共有四個伺服電機控制四條腿，使用超聲波探測距離，主控則用的是STM32F407探索開發板。

對此，Arm深度學習技術總監Mark Connor專程和Sebstian見面并對他進行了采訪，請他談了一下為什么要做這個“小怪物”以及他的心得體會，讓我們一起來圍觀下吧。

能否談談你怎么想到要去做這個“小怪物”的嗎？

我目前碩士學位論文的題目就是有關如何在更小的Cortex-M處理器上實現機器學習，通過一個神經網絡的實例來做性能測試。而作為測試的一部分，我把FANN神經網絡庫移植到了Cortex-M4上，并且我不想做太學術太死板的東西，而希望是有型的東西，于是我選擇做個機器人。如你所見，其實我沒做的很復雜，就先把一些樂高積木連到電機上，然后再連到一塊有足夠Flash和SRAM的STM32F4開發板上。

“小怪物”的成功也證明了我論文的結論——在小型的基于Cortex-M設備上運行機器學習算法是完全可能的。

你有沒有試圖自己對腿部動作進行編程？

當然沒有，這顯然應該是讓AI去干的！“小怪物”的結構允許我可以獨立地訓練向前和向后的步法，讓我大吃一驚的是，雖然它沒有膝關節，但是也能工作。因為Deep Mind在 Atari Q-Learner上取得了很大的成功，所以我也決定使用Q-Learning，并且我可以在他們的基礎之上編寫Q-learning的代理。 FANN庫其實是由其他人開發并在LGPL許可下開源的，我只是單純移植到了Cortex-M4上。

你是如何決定網絡拓撲的？

SRAM的大小限制了拓補結構，神經網絡可以做的更大，但使用額外的變量會消耗非常多的存儲器空間，而我更想直接在Cortex-M4上直接進行訓練。在我看來，使用兩個或三個前饋層并沒有太大區別，盡管我沒有直接比較它們，而我想壓榨一下處理器！

用微控制器進行當前的神經網絡研究是否容易？

其實裸C（非CUDA）框架完全可以適用于512Kb閃存和256Kb SRAM，我很幸運地找到FANN，但是我需要編寫一個小文件系統，以便庫可以直接從閃存加載保存的網絡權重。”

你對那些有興趣構建和培訓自己的機器人的開發者，有什么建議嗎？