机器人在大约一个小时内比动物更快地优化其运动模式

像新生动物一样，智能机器人在第一次尝试行走时会绊倒。然而，虽然小马驹或长颈鹿需要更长的时间来掌握行走，但机器人只需要一个小时就能学会向前移动。计算机程序充当动物脊髓的人工演示，并在短时间内学会优化机器人的运动。人工神经网络一开始并没有进行理想的调整，但它可以快速调整自己。

新生长的颈鹿或小马驹必须学会用腿走路，以尽快避免捕食者。动物天生就有一个位于脊髓的肌肉协调网络。然而，学习腿部肌肉和肌腱的准确协调需要一些时间。起初，幼年动物严重依赖于硬连接脊髓反射。下一步，在神经系统最终适应幼年动物的腿部肌肉和肌腱之前，必须进行更先进、更准确的肌肉控制。

斯图加特马克斯·普朗克智能系统研究所（MPI-IS）研究人员进行了一项研究，以了解动物是如何学会走路和从绊倒中学习的。他们制造了一个四条腿和狗大小的机器人，帮助他们了解细节。

MPI-菲利克斯·鲁佩特，IS动力运动研究小组的前博士生（FelixRuppert）“作为工程师和机器人专家，我们通过制造一个具有与动物相同反射功能并从错误中学习的机器人来找到答案。但如果它经常绊倒，它会给我们一个衡量机器人行走能力的标准。”

Felixrupert是2022年7月18日在《自然机器智能》杂志上发表的《在闭环中央模式生成器中学习机器人动力学的塑料匹配》的第一作者。

学习算法优化虚拟脊髓

在一个小时内学会走路后，鲁佩特的机器人充分利用了它复杂的腿部力学。贝叶斯优化算法指导学习：脚部传感器信息的测量与机器人计算机中模拟虚拟脊髓的目标数据相匹配。机器人通过不断比较传感器信息、运行反射电路和调整其电机控制模式来学习行走。

适应中央模式生成器的学习算法（CPG）控制参数。在人类和动物中，这些中央模式发生器是脊髓中的神经元网络，在没有大脑输入的情况下产生周期性肌肉收缩。中央模式发生器网络有助于产生行走、眨眼或消化等有节奏的任务。此外，反射是由连接腿部传感器和脊髓的硬编码神经通路引起的非自愿运动控制动作。

只要小动物在完全平坦的表面行走，中央肌电图就足以控制脊髓的运动信号。然而，地面上的一个小肿块改变了行走。反射开始并调整动作模式，以防止动物摔倒。运动信号中的这些瞬时变化是可逆的或“灵活的”

然而，如果动物在许多运动周期中没有停止跌跌撞撞——尽管有积极的反射——它们必须重新学习运动模式，使其“可塑”，这是不可逆转的。在新生动物中，CPG最初调整得不够好，动物在平坦或不平坦的地形上蹒跚而行。然而，这种动物很快学会了如何控制腿部肌肉和肌腱的中央处理器和反射。

拉布拉多大小叫“莫蒂”的机器狗也是如此。更重要的是，机器人在大约一个小时内比动物更快地优化其运动模式。莫蒂的中央处理器模拟在一台小而轻的计算机上，控制着机器人腿的运动。虚拟脊髓放置在四脚机器人的背部和头部。在机器人顺利行走所需的一小时内，机器人脚的传感器数据将继续与机器人中央处理器预测的着陆进行比较。如果机器人绊倒，学习算法会改变腿部来回摆动的距离、摆动的速度和腿部在地面上的长度。调整后的运动也会影响机器人如何更好地利用其柔软的腿部力学。在学习过程中，中央处理器发送适当的电机信号，使机器人减少绊倒，优化行走。在这个框架中，虚拟脊髓没有关于机器人腿部设计、电机和弹簧的清晰知识。由于对机器人的物理一无所知，它缺乏机器人的“模型”。

Ruppert解释说：“我们的机器人实际上是“天生的”，对腿的解剖结构或工作方法一无所知。CPG类似于自然界提供的内置自动行走智能，我们已经将其传输到机器人。计算机产生了控制腿部电机的信号，机器人最初行走和绊倒。数据从传感器返回到虚拟脊髓，比较传感器和CPG数据。如果传感器数据与预期数据不匹配，学习alg算法来改变行走行为，直到机器人行走良好而不绊倒。改变中央处理器输出是学习过程的核心部分，同时保持活跃的反射和监控机器人的摇摇晃晃。”

节能机器人狗控制

莫蒂的计算机在行走过程中只消耗5瓦的电力。著名制造商生产的工业四足机器人已经学会了在复杂控制器的帮助下运行，因此功耗要大得多。他们的控制器使用机器人的精确质量和身体几何形状的知识编码——使用机器人模型。它们通常需要几十瓦，甚至几百瓦的功率。这两种机器人都能动态有效地运行，但在斯图加特模型中，计算能耗要低得多。它还对动物解剖学提供了重要的见解。

亚历山大·巴德里·斯普罗维茨（AlexanderBadriSprwitz）“我们不容易研究活动物的脊髓。但我们可以在机器人中模拟一个。”他和鲁佩特（Ruppert）我们共同撰写了出版物，并领导了动态运动研究小组。”我们知道这些CPG存在于许多动物中。我们知道反射是嵌入的；但是我们如何将两者结合起来，让动物通过反射和CPG学习动作呢？这是机器人学和生物学交叉点的基础研究。机器人模型回答了生物学本身无法回答的问题。”