[论文解读] The homunculus for proprioception: Toward learning the representation of a humanoid robot's joint space using self-organizing maps

Filipe Gama, Matej Hoffmann|arXiv (Cornell University)|Sep 5, 2019

Robot Manipulation and Learning参考文献 6被引用 4

一句话总结

本文提出使用一种改进的自组织映射（MRF-SOM）从自触配置中学习人形机器人关节约空间的拓扑组织表征。通过将神经元感受野限制为模仿生物本体感觉地图，该模型成功编码了关节约合——尤其是肩-肘和头部关节约集——的同时保持了空间关系，表明MRF-SOM能够在人工系统中模拟皮层样身体表征。

ABSTRACT

In primate brains, tactile and proprioceptive inputs are relayed to the somatosensory cortex which is known for somatotopic representations, or, "homunculi". Our research centers on understanding the mechanisms of the formation of these and more higher-level body representations (body schema) by using humanoid robots and neural networks to construct models. We specifically focus on how spatial representation of the body may be learned from somatosensory information in self-touch configurations. In this work, we target the representation of proprioceptive inputs, which we take to be joint angles in the robot. The inputs collected in different body postures serve as inputs to a Self-Organizing Map (SOM) with a 2D lattice on the output. With unrestricted, all-to-all connections, the map is not capable of representing the input space while preserving the topological relationships, because the intrinsic dimensionality of the body posture space is too large. Hence, we use a method we developed previously for tactile inputs (Hoffmann, Straka et al. 2018) called MRF-SOM, where the Maximum Receptive Field of output neurons is restricted so they only learn to represent specific parts of the input space. This is in line with the receptive fields of neurons in somatosensory areas representing proprioception that often respond to combination of few joints (e.g. wrist and elbow).

研究动机与目标

• 研究自组织映射如何模拟人形机器人中体感身体表征的形成过程。
• 解决在高维关节约配置空间中使用二维输出网格保持拓扑关系的挑战。
• 通过限制神经元输入覆盖范围，模拟灵长类体感皮层3a区的接受场组织。
• 测试MRF-SOM是否能利用本体感觉输入（来自自触姿势）生成类似体感地图（somatotopic homunculus）的布局。
• 通过建模早期感觉运动经验如何促成身体图式（body schema）的形成，为认知发展机器人学做出贡献。

提出的方法

• 使用Nao人形机器人采集了3,216组自触配置，其中右手触碰面部，记录七个关节约：头部偏航、头部俯仰、肩部伸展、肩部屈曲、肘部旋转、肘部偏航和腕部。
• 采用4×4六边形网格SOM，使用曼哈顿距离衡量神经元邻近性，初始权重和位置随机设定。
• MRF-SOM变体将每个输出神经元的感受野限制为特定关节约集，避免覆盖整个输入空间，以模仿生物约束。
• 感受野设计为部分重叠，共形成四个簇：头部、肩-肘、腕部，以及包含所有关节约的综合簇。
• 网络学习输入关节约与输出神经元之间的权重矩阵，通过热力图可视化以评估关节约偏好与编码模式。
• 分析神经元之间的距离度量，以评估拓扑保持性及相关关节约的聚类情况。

实验结果

研究问题

• RQ1 具有受限感受野的自组织映射（MRF-SOM）能否从自触数据中学习到人形机器人关节约空间的拓扑有意义表征？
• RQ2 输入空间中关节约之间的空间关系在二维输出图中如何体现，特别是聚类与邻近性方面？
• RQ3 MRF-SOM中的单个神经元在多大程度上编码单一关节约或关节约组合？与生物感受野相比有何差异？
• RQ4 MRF-SOM架构是否能生成类似灵长类体感皮层（特别是3a区）体感地图组织的布局？
• RQ5 该生成的映射能否通过感觉运动经验支持空间身体表征的形成？

主要发现

• 肩-肘簇中的神经元对肩部与肘部关节约组合表现出强烈偏好，对两者均具有高权重值，表明存在关节约整合。
• 头部关节约簇的神经元间距离最近，表明数据集中存在高度相关性与功能协同激活。
• 腕部由其簇中的两个神经元编码，其中一个神经元表现出抑制性（负值）权重，表明可能存在选择性抑制。
• 在多个身体部位上具有重叠感受野的神经元，会编码其感受野内所有关节约的组合，且对任一特定关节约或身体部位无明显偏好。
• 肩-肘簇在空间上更靠近肘部簇而非头部或腕部簇，反映了它们在功能与运动学上的相互依赖性。
• 整体映射布局表明，即使输出维度有限，MRF-SOM仍能部分保持高维关节约配置空间中的拓扑关系。