[论文解读] Scalability in Neural Control of Musculoskeletal Robots

Christoph Richter, Sören Jentzsch+7 more|arXiv (Cornell University)|Jan 19, 2016

Advanced Memory and Neural ComputingEngineering参考文献 30被引用 18

一句话总结

本文通过将 Myorobotics 硬件平台与 SpiNNaker 神经形态计算系统相结合，提出了一种可扩展的神经控制框架，用于肌肉骨骼机器人。该框架展示了使用闭环小脑模型实现实时、低功耗的 12 个关节控制，实现了可扩展的、类脑控制，适用于人形仿生机器人。

ABSTRACT

Anthropomimetic robots are robots that sense, behave, interact and feel like humans. By this definition, anthropomimetic robots require human-like physical hardware and actuation, but also brain-like control and sensing. The most self-evident realization to meet those requirements would be a human-like musculoskeletal robot with a brain-like neural controller. While both musculoskeletal robotic hardware and neural control software have existed for decades, a scalable approach that could be used to build and control an anthropomimetic human-scale robot has not been demonstrated yet. Combining Myorobotics, a framework for musculoskeletal robot development, with SpiNNaker, a neuromorphic computing platform, we present the proof-of-principle of a system that can scale to dozens of neurally-controlled, physically compliant joints. At its core, it implements a closed-loop cerebellar model which provides real-time low-level neural control at minimal power consumption and maximal extensibility: higher-order (e.g., cortical) neural networks and neuromorphic sensors like silicon-retinae or -cochleae can naturally be incorporated.

研究动机与目标

• 解决人形仿生肌肉骨骼机器人在可扩展性、实时性和能效方面的神经控制不足问题。
• 克服现有机器人控制平台的局限性，如缺乏灵活性的神经形态系统和不可扩展的神经网络模拟器。
• 实现高级神经网络与神经形态传感器（如硅基视网膜、耳蜗）在统一、可扩展控制架构中的集成。
• 展示一个概念验证系统，支持低功耗、实时、闭环神经控制，具备高度可扩展性。

提出的方法

• 将 Myorobotics 肌肉骨骼硬件平台与 SpiNNaker 神经形态计算平台集成，实现实时神经模拟。
• 在 SpiNNaker 上实现闭环小脑模型，为柔顺关节提供低层级、实时的神经控制。
• 使用事件触发的传感接口（如视觉和听觉的 AER）与 SpiNNaker 的基于脉冲的包通信原生兼容。
• 利用 PyNN 和 Nengo 等开源神经模拟框架，对复杂神经网络模型进行最小修改后移植并运行于 SpiNNaker。
• 采用基于 FlexRay 的分布式通信架构，通过多个 SpiNN-IO 板卡将关节控制扩展至超过原生 12 个关节的限制。
• 利用霍尔效应编码器感知肌腱位移，并根据已知的弹簧常数和走线几何结构计算肌肉力。

实验结果

研究问题

• RQ1 像 SpiNNaker 这样的神经形态平台能否为大量柔顺肌肉骨骼关节提供实时、低功耗且可扩展的神经控制？
• RQ2 如何有效将类脑神经控制器与物理肌肉骨骼机器人硬件集成，以实现自然、类人的行为？
• RQ3 现有神经形态传感器（如硅基视网膜、耳蜗）在多大程度上可原生接口化至神经形态控制系统，以实现实时感官反馈？
• RQ4 能否无缝将更高级别的神经网络（如皮层模型）集成到基于 SpiNNaker 和 Myorobotics 的可扩展神经控制栈中？
• RQ5 在仿人机器人神经控制中，可扩展性的实际极限是什么？如何通过分布式神经形态架构加以突破？

主要发现

• 系统成功在 SpiNNaker 上通过模拟小脑模型实现了 500 Hz 更新率的肌肉骨骼关节实时控制。
• 单个 SpiNN-IO 板卡配合专用 FlexRay 控制器可同时控制最多 12 个关节（24 个执行器），并通过多块板卡实现进一步扩展。
• 基于事件的传感系统（如硅基视网膜和耳蜗）通过地址-事件表示（AER）映射，与 SpiNNaker 平台原生兼容。
• 使用 PyNN 或 Nengo 编写的神经网络模型可经最小修改后移植至 SpiNNaker，显著加速复杂类脑控制器的集成。
• 该框架支持高级神经网络与学习规则的可扩展集成，为未来构建完整类脑控制系统的开发奠定基础。
• Myorobotics 与 SpiNNaker 的结合，构建了一个可扩展、低功耗且可扩展的平台，适用于构建具备类脑控制能力的人形仿生机器人。