연구진은 STDP(Spike-Timing-Dependent Plasticity) 기반 스파이킹 뉴럴 네트워크(SNN)를 활용해 시각적 루프 폐쇄 문제를 해결하는 방법을 연구했어요. 기존 모델은 분류 정확도는 높지만, 자율 주행에 필요한 높은 정밀도와 재현율(R@100P)을 달성하지 못했어요.
연구진은 PyTorch와 snnTorch를 사용해 이산 텐서 기반 STDP SNN-VPR 파이프라인을 구현하고, 100개의 장소 데이터셋에서 15개의 네트워크를 독립적으로 학습했어요. 신경 세포 할당 방식, 상태 재설정, 속도 보상 슬라이딩 윈도우 집계 등의 요소를 조사했어요.
신경 세포 할당 시 텐서 파이프라인 사용, 각 쿼리 후 상태 재설정, 5개 프레임 속도 보상 집계가 R@100P를 향상시키는 데 기여했어요. 5개 프레임을 사용할 때 R@100P는 100%에 도달하고, 추가 지연 시간은 0.20ms였어요.
연구 결과는 STDP 기반 SNN-VPR의 추론 단계 설계 결정이 재현율에 미치는 영향을 보여주지만, 각 메커니즘의 개별 기여도와 구현 차이는 추가 검토가 필요해요.