斯图加特马克斯普朗克智能系统研究所(MPI-IS)的研究人员进行了一项研究，以找出动物如何学会走路和从绊倒中学习。他们制造了一个四条腿、狗大小的机器人，帮助他们找出细节。

“作为工程师和机器人专家，我们通过制造一个机器人来寻找答案，这个机器人具有像动物一样的反射能力，并能从错误中学习，”菲利克斯·鲁珀特说，他是MPI-IS动态运动研究小组的前博士生。“如果一只动物跌倒了，那是错误吗?”如果只发生一次就不会。但如果它经常绊倒，我们就可以衡量机器人的行走能力。”

菲利克斯·鲁珀特是《在闭环中心模式发生器中学习机器人动力学的塑性匹配该研究将于2022年7月18日发表在《自然机器智能》杂志上。爱博网投官方网站

学习算法优化虚拟脊髓

在一个小时内学会走路后，鲁珀特的机器人很好地利用了它复杂的腿部力学。贝叶斯优化算法指导学习:测量的足部传感器信息与机器人计算机中作为程序运行的虚拟脊髓模型的目标数据相匹配。机器人通过不断比较发送和期望的传感器信息、运行反射回路和调整其电机控制模式来学习行走。

学习算法采用中央模式发生器(CPG)的控制参数。在人类和动物中，这些中枢模式发生器是脊髓中的神经元网络，它们产生周期性的肌肉收缩，而不需要大脑的输入。中枢模式产生网络有助于产生有节奏的任务，如走路、眨眼或消化。此外，反射是由连接腿部传感器和脊髓的硬编码神经通路触发的非自愿运动控制行为。

只要小动物在完全平坦的表面上行走，CPGs就足以控制来自脊髓的运动信号。然而，地面上的一个小凸起改变了行走的方式。反射作用开始起作用，并调整运动模式，以防止动物摔倒。运动信号的这些瞬间变化是可逆的，或“弹性”的，并且运动模式在干扰后恢复到原始配置。但是，如果动物在多次运动循环中仍不停止磕磕绊绊——尽管有积极的反射——那么这些运动模式必须被重新学习，并变得“可塑”，即不可逆转。在刚出生的动物中，cpg最初还没有调整得足够好，动物会在平坦或不平坦的地形上跌跌撞撞。但这种动物很快就学会了它的cpg和反射是如何控制腿部肌肉和肌腱的。

这同样适用于拉布拉多犬大小的机器狗“Morti”。更重要的是，机器人比动物更快地优化其运动模式，大约在一个小时内。Morti的CPG是在一台控制机器人腿运动的小而轻的计算机上模拟的。这个虚拟脊髓被放置在四足机器人的背部，也就是头部所在的位置。在机器人平稳行走的一小时内，来自机器人足部的传感器数据将不断与机器人CPG预测的预期着陆时间进行比较。如果机器人摔倒了，学习算法会改变腿前后摆动的距离、摆动的速度以及腿在地面上停留的时间。调整后的运动也会影响机器人如何很好地利用其柔顺的腿部力学。在学习过程中，CPG会发出适应的运动信号，这样机器人就能减少跌倒并优化其行走方式。在这个框架中，虚拟脊髓对机器人的腿部设计、马达和弹簧没有明确的了解。由于对机器的物理特性一无所知，它缺乏一个机器人“模型”。

鲁珀特解释说:“我们的机器人实际上是‘生来’对自己的腿部结构和工作原理一无所知。”“CPG类似于大自然提供的内置自动行走智能，我们把它转移到了机器人身上。爱博网投官方网站电脑发出信号控制腿上的马达，机器人一开始会走路，也会绊倒。数据从传感器回流到虚拟脊髓，在那里传感器和CPG数据进行比较。如果传感器数据与预期数据不匹配，学习算法就会改变行走行为，直到机器人走得很好，而且不会绊倒。改变CPG输出，同时保持反射活跃，并监控机器人的跌倒是学习过程的核心部分。”

高效节能的机器狗控制

Morti的电脑在行走过程中只消耗5瓦的能量。来自知名制造商的工业四足机器人，已经学会在复杂控制器的帮助下运行，耗电量要大得多。他们的控制器是用机器人的精确质量和身体几何形状的知识编码的——使用机器人模型。它们通常需要几十瓦，甚至几百瓦的功率。两种类型的机器人都能动态高效地运行，但计算能耗在斯图加特模型中要低得多。它还提供了对动物解剖学的重要见解。

“我们不能轻易地研究活体动物的脊髓。但我们可以在机器人中建立一个模型，”亚历山大Badri-Spröwitz说，他与鲁珀特共同撰写了该出版物，并领导了动态运动研究小组。“我们知道这些cpg存在于许多动物体内。我们知道反射是内在的;但我们如何将两者结合起来，让动物通过反射和cpg来学习运动?这是机器人和生物学交叉领域的基础研究。爱博网投领导者机器人模型为我们提供了仅靠生物学无法回答的问题的答案。”爱博网投领导者