研究前沿：Sci. Robot评述-尖峰神经元网络控制

近日，加拿大应用大脑研究公司Travis DeWolf在Science Robotics上发文，论述了受大脑启发的神经网络架构，克服了遥控机器人尚未解决的经典控制理论问题。

神经网络具有诱人的能力，可以在不需要分析解决方案的情况下，进行训练以执行任务。许多控制问题，属于这个特殊的未解决类别，但神经网络在机器人技术中的成功应用，超出了感官处理，目前应用仍然有限。开发神经网络解决方案，需要相当多的专业知识，即选择有效的训练机制、数据集，以及最重要的网络架构。大多数机器人控制系统，继续依赖经典的控制方法，来实现稳健的性能。与此同时，最先进的机器人控制器，并不像生物大脑那样令人印象深刻。从大脑如何执行运动控制，以指导机器人人工神经网络 (ANN) 的设计，还有很多需要学习的地方。

Abadía 等人提出了一种模块化尖峰神经网络 (SNN) 解决方案，用于基于小脑中的神经回路，对远程操作的 Baxter 机器人手臂进行力控制，对人类交互安全。该网络遵循在小脑中发现的高度结构化的架构，并结合了已知的信息流、兴奋性和抑制性连接模式、基于尖峰的在线学习的限制应用，以及关键的痕迹eligibility traces（用于强化学习的尖峰事件的临时记录，确定在生成奖励信号时，哪些神经元处于活动状态）以执行延迟的时间信用分配。放在一起时，这个受大脑启发的神经网络，可以在线学习，以在面对可变反馈延迟时控制一个柔顺的、高度非线性的系统，这是目前经典控制理论中尚未解决的问题。

小脑回路的作用、机制和结构， 在弥合从神经科学到机器人技术的差距时，强调了在开发神经网络解决方案时，从大脑中寻找灵感的重要性。如卷积神经网络 (CNN) ，是迄今为止最具影响力的神经网络之一，其灵感来自生物视觉系统，如图 1 所示。使用与大脑紧密相连的神经网络，可以直接从经过验证的强大系统中获得洞察力。因为没有任何人工控制系统，能够提供与大脑相同的性能，这似乎是在努力重现这种功能时，保持相对于生物学的强烈动机。

图1 受脑启发神经网络的设计过程示意图

一旦了解了机制和功能，就可以根据特定应用定制解决方案。Abadía 提供了一个例子，说明模型控制的 Baxter 机器人与大脑控制的生物体之间的差异。时间内核的作用，决定了神经活动被记住的时间，不同的时间常数，与处理来自身体不同部位的不同长度的反馈延迟相关。然而，在测试设置中，所有反馈都是同时提供的。在这种情况下，时间内核的各种时间常数是不必要的，甚至会适得其反。通过对整个行为循环中的变化进行基准，来测试和确认这一观察结果。

实现使用尖峰神经元，就像大脑一样，能够利用尖峰时间依赖的可塑性，以高时间精度进行纠错。与类似标准 ANN（使用速率模式神经元）进行了比较，发现 SNN 能够对高达 ANN 两倍的延迟执行稳定控制。能够在高效、专门的“神经形态”硬件上，以低功耗运行。在 ANN 和 SNN 的比较中，基准测试，是针对静态任务（例如图像处理）执行的，连续输入之间没有相关性。此类任务非常不适合 SNN。然而，当执行具有明确时间分量的任务时，来自最近过去的信息的可用性（保存在内部神经元状态或突触后过滤器中）通常非常相关。这为维护内部状态的 SNN 等系统提供了潜在的益处。

是否有一种神经回路，可以在机器人技术中，取得与 CNN 在计算机视觉中相同的成功？实验和计算神经科学表明，小脑的高度结构化、重复连接模式和对运动控制的大量参与，使其电路成为强有力的候选者。这项工作使用小脑架构，来实现机器人技术中神经网络，无需分析解决方案即可解决问题。这不是最终的、完全优化的答案，而是适应性强的神经机器人系统的一个有希望的开始。

文献链接：https://www.science.org/doi/10.1126/scirobotics.abk3268

本文译自“Science”。