基于马尔可夫决策与多阈值发放机制的适应性脉冲神经网络（MMT-SNN）提升触觉物体识别性能

针对事件驱动触觉数据识别中传统脉冲神经网络（SNN）参数更新僵化、神经元表达能力受限的难题，贵州大学研究团队提出创新性MMT-SNN模型。该方法融合马尔可夫决策过程（MDP）动态优化参数更新策略，并设计多阈值泄漏积分发放（LIF）神经元增强梯度传播与表达能力。实验在Containers-v0和Objects-v0数据集上分别实现12.50%和3.61%的识别精度提升，显著突破TactileSGNet等现有模型的性能瓶颈，为机器人精准环境感知提供新范式。

　　

在机器人感知领域，触觉物体识别是让机器"感知"物体纹理、形状与表面特征的核心技术。随着事件驱动触觉传感器（如NeuTouch和NUSkin）的兴起，传统基于帧的识别方法面临严峻挑战——这些新型传感器生成的高速动态脉冲流（50?Hz采样率），使传统神经网络难以实时捕捉瞬息万变的触觉特征。虽然脉冲神经网络（SNN）凭借生物启发的时空信息处理能力成为理想解决方案，但现有模型仍存在双重桎梏：其一，固定学习策略与正则化参数易导致复杂信号处理时收敛缓慢或陷入局部最优；其二，单阈值发放机制（如经典泄漏积分发放模型LIF）严重限制神经元表达能力，如同用单一乐器演奏复杂交响乐。

为突破这些瓶颈，贵州大学研究团队在《Expert Systems with Applications》发表创新成果MMT-SNN。该模型首创双引擎驱动架构：通过马尔可夫决策过程（MDP）构建动态参数优化器，实时调整网络学习策略；同时设计多阈值LIF神经元（K-LIF），赋予神经元差异化脉冲发放能力。实验证明，该方法在NeuTouch传感器采集的Containers-v0与Objects-v0数据集上，分别以76.67%和69.44%的识别精度显著超越现有技术，最高提升幅度达12.50%，为机器人灵巧操作奠定感知基石。

关键技术方法
研究采用事件驱动的NeuTouch传感器数据，构建39通道触觉脉冲图（tactile spike graph）作为输入。核心技术包含：

1. MDP策略引擎：将SNN参数更新建模为状态-动作空间，通过奖励函数动态选择最优学习率、正则化系数等超参数
2. 多阈值LIF神经元：每个神经元包含K个LIF子单元（实验设定K=3），各单元设置差异化阈值（V_th1=0.2, V_th2=0.5, V_th3=0.8）
3. 梯度近似机制：采用矩形函数逼近不可微分的脉冲发放过程，实现端到端反向传播
4. 图卷积架构：仿照图卷积网络（GCN）处理触觉图数据，包含3层卷积与2层全连接

研究结果
4.5.1 马尔可夫决策过程对模型性能的影响
将MDP策略植入TactileSGNet基线的消融实验显示：Containers-v0数据集识别精度提升5.83%（70.83%→76.67%），Objects-v0提升1.39%（68.06%→69.44%）。MDP通过动态调整学习率（0.001→0.01）与权重衰减系数（0.0005→0.0001），有效避免局部最优陷阱。

4.5.2 多阈值LIF神经元性能验证
三阈值LIF（K=3）在Containers-v0实现最高精度（76.67%），较单阈值提升3.33%。实验揭示阈值组合(V_th1,V_th2,V_th3)=(0.2,0.5,0.8)时，梯度传播效率提升23.7%，证明多级发放机制增强特征表达能力。

4.6.1 模型识别性能对比分析
如表9所示，MMT-SNN在Containers-v0数据集上以76.67%精度全面领先：超越经典SNN模型SpikCNN（64.58%）12.09%，优于图卷积基线TactileSGNet（64.17%）12.50%；在Objects-v0数据集达69.44%，较MLP（52.78%）提升16.66%。训练耗时仅3.2小时，较CNN模型缩短41%。

结论与意义
MMT-SNN通过两大创新突破触觉识别瓶颈：

1. 动态优化范式：MDP驱动的参数更新策略克服了固定学习机制的僵化性，使模型能自适应复杂触觉信号演变（如物体表面纹理突变），训练收敛速度提升35%
2. 神经表达革新：多阈值LIF神经元突破传统单发放阈值的表达局限，通过K个子单元协同工作模拟生物神经元多样性，特征提取能力提升28.4%

该研究不仅为事件驱动触觉识别建立新标杆（在Containers-v0和Objects-v0数据集实现SOTA性能），更开创了"决策优化+神经元增强"双轨并行的SNN设计范式。其MDP策略可迁移至其他时序数据处理场景（如动态视觉传感），而多阈值机制为开发高表达力脉冲神经元提供新思路。随着神经形态计算硬件的演进，MMT-SNN有望成为机器人精准环境交互的核心感知引擎。