机器人技术中的神经科学

作为行为主体，智能机器人利用传感器、执行器和控制系统，根据感官数据产生运动，从而独立地与周围环境互动。有趣的是，神经生理学家William Grey Walter在20世纪50年代初构建了被认为是第一台自主机器人，以证明少量相互连接的模拟电子设备可以产生复杂、有目的性的行为，从而在具身和情境化系统中闭合了感知与行动的循环。沿着这个思路，三十年后，神经解剖学家Valentino Braitenberg创造了一系列基于普遍神经系统特性的、具有简单传感器和线路的虚构车辆。Braitenberg声称，由此产生的行为复杂性的根源在于环境与大脑的相互作用，而对行为系统的“综合”（构建）的研究可以使传统神经系统分析受益。

事实上，物理特性（质量、弹簧、时间延迟、摩擦等）极大地改变了神经冲动的行为影响，并影响了身体和大脑的协同进化和协同发展，因此不可能孤立地理解神经系统与身体和行为。因此，有人说，理解大脑需要对相关的身体部分、环境因素和神经系统进行联合研究和综合。为了理解运动控制，需要理解几种截然不同的转化，从大脑冲动到肌肉骨骼系统再到环境，在那里，通过动物身体的复杂性可以使控制变得更容易而不是更困难。在这个框架内，整合了所研究动物系统生物力学的机器人充当了测试理论的实际原型。在接下来的部分中，我们将探讨神经科学和机器人技术在灵长类、脊椎动物和无脊椎动物领域为新工具和理解做出了多大贡献。

无脊椎动物

由于无脊椎动物比大多数脊椎动物表现出更刻板的行为并且更易于操作，因此它们是体现神经模型在身体中的机器人的良好选择。

看法

昆虫的大部分行为由激活感知器官的外部刺激决定，从而引发吸引和回避等基本行为。由于移动机器人可以朝向或远离感官源移动，因此它们经常被用于研究出租车运动的大脑机制。例如，为了区分蟋蟀趋声行为的两种不同神经模型——一种行为是雌性能够识别并接近发出物种特异性歌曲的同种雄性——Webb和Scutt求助于配备了仿生双声道装置的移动机器人。作者的演示表明，通过复制两个脉冲神经元来复制真实蟋蟀中观察到的各种趋声行为，这两个神经元复制了已识别听觉神经元的时间编码特性，这支持了识别和定位歌唱蟋蟀不需要两个独立的神经机制的假设。无脊椎动物的化学趋性行为已在各种环境中得到研究。例如，作者使用水下机器人测试和区分了关于龙虾如何在湍流水中识别和定位化学羽流源的各种神经行为学理论。移动系统被抽象为一组轮子，机器人被精确地复制了龙虾的化学传感器的大小和排列。类似地，作者使用配备了仿生化学传感器的轮式和飞行机器人，否定了一个解释飞蛾化学趋性行为的神经理论，并提出了一个新的理论。使用机器人还研究了使飞虫在复杂环境中导航的神经机制，这些环境的复眼与脊椎动物的眼睛差异很大，因为它们具有固定的焦点、粗糙的空间分辨率，几乎没有立体视觉。现在，在嘈杂区域或近地飞行的机器人无人机可以通过视觉进行控制，这得益于此类大脑模型的应用。为了避免障碍、控制速度和航向、跟踪和着陆，昆虫依赖于自身运动产生的图像运动。

当观察者沿直线移动时，图像运动的幅度（有时称为光流）与到相关物体的距离之间存在数学关系；然而，当观察者旋转时，这种关系不再成立。有人推测，为了利用平移光流估算距离，自由飞行的苍蝇会遵循被急剧转弯打断的直线，在这些转弯期间视觉信号被阻断。Franceschini、Pichon、Blane和Brady使用配备了圆周排列的复眼、模拟神经元基本运动检测电路的轮式机器人研究了这一理论。该机器人能够通过遵循被急剧回避旋转打断的直线（忽略视觉线索）来穿越拥挤的环境而不发生碰撞。在另一项研究中，作者认为，由于投射到昆虫腹侧的图像角速度与其高度与其水平速度之比成正比，因此昆虫通过保持其图像运动恒定来控制其速度，这会使它们优雅地着陆。配备朝向地面的两个人工小眼的模型直升机被用作测试该概念的受试者，即一个简单的光流控制机制可能被用于控制高度和着陆，而无需专门监控到地面的距离。随后，已被证明相同的光流调节器可以有效地复制一系列其他昆虫活动，包括通道居中和地形跟踪。还已证明，通过将两个加权光流强度之和与滚转和俯仰角相关联，可以实现室内和室外自由飞行无人机的光流调节，从而实现无碰撞导航和高度控制。这是一个简单的过程，可以由昆虫大脑的海叶复合体中的广域视觉神经元来执行。作者提出了一个假设，即昆虫神经系统的广域切线细胞用于检测期望光流与观察光流之间的差异，而不是像之前争论的那样估算自身运动。然后，利用这些差异来通过反馈回路纠正导航。科学家们使用微型直升机，配备模拟大规模集成电路（VLSI）传感器和切线神经元模型，在纹理环境中飞行，成功测试了这一想法。昆虫复眼也启发了新类型显微镜的创建，这些显微镜具有无与伦比的视场和零角度失真。最近提出了两种微型人造复眼的设计。

作者描述了一种半球状复眼，它结合了弹性体复合光学和可变形的薄硅光电探测器阵列，可以形成半球体以收集广域图像。作者描述的半圆柱状复眼由三层组成：复合光学、具有自适应光灵敏度的神经形态光探测器，以及可以比昆虫更快地提取光流的信号处理电子设备。一个昆虫大小的飞行机器人现在配备了一个由三个单眼组成的复眼，以支持某些昆虫使用视觉线索而非角加速度来稳定其飞行的理论。

运动

许多机器人运动系统，包括蠕动、跳跃、飞行和水上行走，都受到了昆虫广泛的运动技术的启发。然而，该领域的大部分研究仍然侧重于运动系统的机械特性，很少有作者涉足这些机器人神经启发的控制。作者通过研究来自秀丽隐杆线虫（Caenorhabditis elegans）的连接组的神经解剖学约束导出的神经元回路，在模拟的线虫身体和环境中，使用人工进化来预测产生蠕虫样 klinotaxis 运动所需的未知神经系统电生理学参数。在进化个体中观察到了一致的神经生理学和行为模式，这促使作者提出了一些未来的研究，包括对作为梯度函数的转向以及特定神经元消融的更深入研究。为了更好地理解腿部无脊椎动物的感官运动控制，已经开发了一些六足机器人。这些机器人可以回答有关节律产生的问题，例如，节律是由反射链还是由许多无脊椎动物中存在的耦合神经振荡器系统产生的中央模式生成器产生的。这些机器人包括测试基本步态控制理论的具有两个自由度的机器人，模仿真实蟑螂生物力学特性的具有四个自由度的机器人，甚至具有气动人工肌肉的具有四个自由度的机器人，这些机器人可以由昆虫神经肌肉系统的电活动供电。值得注意的是，每个机器人都是为了回答一个由机器人与昆虫之间的差异引起的问题而创建的，这表明了机器人对于产生新的神经系统功能视角的重要性。

作者创造了一个仿生龙虾机器人，使用人工肌肉来引发类似于真实动物的运动。然后，该机器人被用于测试缺乏神经科学数据的神经控制理论。在另一项研究中，作者认为，必须在崎岖地面上快速移动的昆虫比带宽有限的神经反馈更依赖于分布式机械反馈来保持稳定性。他们还演示了如何通过为鬼蟹的腿部安装假肢的听话脊柱来提高其行走能力。他们改变了一个六足机器人的腿部——而不是其控制系统——以模仿改造过的螃蟹腿的生物力学，以进一步支持神经控制在这种情况下不参与的理论。他们发现这提高了机器人的行走能力。

导航

无脊椎动物的更高“认知能力”，如空间记忆，也得到了机器人的研究。许多昆虫可以在数百米或更长时间内飞行，然后找到它们的巢穴或觅食地。根据普遍接受的“快照模型”，昆虫通过比较定向调整后的视觉环境图像中地标的视网膜位置来确定它们的归巢方向，这些图像在不同时间间隔记录。然而，该模型无法解释在昆虫离开和返回飞行之间地标部分被删除的实验结果，这需要神经系统进行昂贵的计算。最近提出的“平均地标向量（ALV）模型”是快照模型的一个更节省成本的变体，并且已经使用移动机器人进行了评估。根据该范式，昆虫将每个视觉地标表示为一个单位向量，并且在给定位置找到的所有地标向量的平均值产生 ALV。昆虫只在内存中保留目标 ALV，然后通过计算其当前 ALV 感知与存储目标 ALV 之间的差异，在其返回旅程中不断创建一个新的归巢向量。与快照模型类似，为了计算归巢向量，当前的 ALV 需要与目标 ALV 进行罗盘对齐。当在各种模拟和真实机器人（包括在神经启发的模拟电子设备中的实现）上测试时，ALV 模型产生的轨迹与原始快照模型相似（但不完全相同）。它还复制了原始快照模型无法解释的行为模式。一些作者提出，世界可能被表示为一个连接图，而不是 ALV，其中边代表用于使用路径积分引导昆虫或机器人到其他相关位置的运动命令，节点代表在指定位置捕获的全景图像。使用来自移动机器人图像统计数据的数据，一个替代理论假设昆虫可以记住目标位置的图像，然后选择它们的运动来最小化当前图像与目标位置图像之间的差异。已证明这种差异是目标与物体距离的单调递减函数。

脊椎动物

神经科学和机器人学的研究人员对脊椎动物表现出兴趣，因为它们具有出色的学习能力和多样的运动技能。

运动

无脊椎动物和脊椎动物都占据了许多生态位。从鱼类到哺乳动物，它们展现出各种形态以及空中、陆地和水生运动技术。有趣的是，尽管形态学差异很大，但底层运动控制系统的组织却相当稳定。脊髓具有称为中央模式生成器（CPG）的振荡电路，它们类似于无脊椎动物的神经节，并被非常简单的下降驱动信号激活和调制。CPG 可以产生复杂的周期性运动模式。在最著名的脊髓运动电路的脊椎动物中，很可能是七鳃鳗。它相对简单的鳗鱼状设计也为开发游泳机器人提供了灵感。七鳃鳗的鳗鱼式游泳步态涉及从头部到尾部振幅增加的横向波动。底层的 CPG 由分布在脊髓中的多个耦合振荡网络组成。最初使用神经力学模拟来研究 CPG 电路、身体和环境之间的相互作用。后来，真实机器人也被纳入研究。作者创造了一个类似于七鳃鳗的机器人，由五个形状记忆合金驱动的人工肌肉对驱动。他们仔细研究了自由活动的七鳃鳗所表现出的各种运动活动，包括前进、挖掘、爬行、转弯和后退。根据他们的分析，他们创建了一个作为查找表的 CPG，该查找表可以重放类似的假肌肉激活模式。机器人能够成功地进行转弯、前进和挖掘。为了测试视觉引导的目标导向行为的理论，建造了第二个七鳃鳗机器人，配备了创新的永磁体驱动系统。具体来说，目标是确定头部稳定如何影响移动目标的跟踪性能，这是通过产生与躯干相反的颈部运动来实现的。在比较了两种游泳策略——一种有头部稳定，一种没有——之后，发现使用头部稳定显著提高了目标跟踪性能，但游泳速度仅略有下降。作者还注意到，CPG 模式产生的游泳类似于七鳃鳗，并且能够产生模仿七鳃鳗实际运动的急剧转弯。

蝾螈像七鳃鳗一样以鳗鱼式游泳，像蜥蜴一样小跑。为了测试游泳到行走过渡和游泳到行走演变的力学理论，Ijspeert及其同事创建了一个由 CPG 模型驱动的两栖蝾螈状机器人。他们的主要工作设想是，蝾螈在其轴向肌肉系统中保留了一个类似七鳃鳗的游泳电路，并且在进化过程中，出现了专门的、更慢的振荡中心来控制肢体。当肢体 CPG 饱和时，CPG 模型可以模拟由去大脑动物的中脑运动区电刺激引起的步态转换。在低刺激下，模型可以生成较慢的行走模式，在高刺激下，模型可以生成沿身体行进波的较快游泳模式。此外，通过展示较慢的肢体振荡器如何降低行走过程中整个运动网络的频率，该模型解释了为什么蝾螈的行走步态的频率总是低于游泳步态。CPG 的概念目前正在针对各种机器人进行测试，包括章鱼和蛇。特别是，四足机器人（模仿猫狗）的使用在理解步态生成与平衡控制之间的相互作用方面非常有益。例如，研究人员开发了一系列轻量级的、可听从的四足机器人来研究 CPG、反射和平衡控制之间的关系。研究了两种方法：一种是感觉反馈直接作用于电机（即，独立于 CPG），另一种是将感觉反馈通过 CPG 网络传输。前者来自肌腱力、地面接触和身体方向。他们发现，与反馈对 CPG 活动没有影响的情况相比，通过 CPG 网络提供感觉反馈时，在崎岖地形上实现了最稳定的运动。因此，感觉反馈与 CPG 之间的相互作用对于实现相位依赖性感觉反馈（例如，在摆动或站立阶段对肢体有不同影响的反射）至关重要，这类似于猫中所知的，并且对于根据条件变化周期持续时间至关重要。最近，还使用四足机器人研究了肢体协调过程以及神经和机械耦合的相对作用。有趣的是，即使没有肢体振荡器之间的直接神经耦合，也可以产生稳定的步态，这已在诸如竹节虫等无脊椎动物的研究中得到证明。实际上，可以不通过神经耦合而仅通过机械耦合和感觉反馈相互作用的解耦振荡器来实现稳定的步态。根据机器人质量分布的不同，可能可以实现不同的步态，例如在重心分别在前部和后部较重的骆驼和猴子中看到的步态。这一次，机器人对于说明这些现象至关重要。

感官运动协调

脊椎动物可以进行需要复杂感官运动同步的复杂运动。对于动物和机器人来说，最佳的感官运动协调至关重要，因为感知是所有运动活动的主要驱动因素，而感知通常是一个涉及运动活动的动态过程。半个多世纪以前，研究人员进行了一项巧妙的实验，证明了运动活动对神经系统发育的影响。他们将两只小猫放在一个纹理区域中，其中一只小猫的粗略运动被转移到另一只小猫身上，该小猫乘坐一个防止它接触地面的吊船，使它们都暴露在相同的视觉环境中，但只有一只小猫接收到直接由其自身运动引起的视觉刺激。当在吊船外进行评估时，自由漫步的小猫在多种视觉引导任务中表现出典型的行为，而另一只猫则失败或表现不佳。科学家们无法确定机械原因，但他们得出结论，连接的感知和运动活动对正常的行为发育至关重要。使用配备了平移倾斜摄像机和具有赫布可塑性（一种涉及加强共激活神经元之间突触的学习方式）的神经网络的轮式机器人，研究人员重现了这些实验。神经网络将视觉输入与摄像机和轮子的电机命令联系起来。身体运动限制影响了视觉感受野的发育。这些感受野变得对与受限活动相关的感官元素敏感，这阻碍了正常行为的形成。这解释了悬挂小猫行为缺陷的原因。

电鱼通过主动释放电脉冲并通过感应其电敏皮肤周围电场的 PBTK 来感应物体和生物，这提供了感官运动协同作用的另一个有趣例子。例如，黑幽灵刀鱼拥有一条可以进行精确机动和电感应的带状鳍。科学家使用一种可以使原型带状鳍在流动槽中推进的机器人以及模拟来演示感官和运动的匹配程度。

他们利用最优控制理论证明，鱼的典型游泳机动与通过最小化近似代谢努力的成本函数产生的模型非常相似，并且通过增加感官输入的数量和分辨率，模型可以很好地适应鱼的感官能力。此后，相关的研究成功地利用了电定位进行避障和物体定位，使用了平面或游泳机器人。另一种被机器人研究过的感觉模式是触觉。具有复杂触觉系统的哺乳动物包括老鼠，它们有胡须。动物可以通过它们的胡须检测它们遇到的物体的形状、质地、位置和运动。一般来说，胡须是主动移动的，以一种有节奏的方式扫动，并根据情况不断改变。使用配备了可控头部和移动胡须的移动机器人，“Whiskerbot”及其后继者“ScratchBot”被用于研究潜在的感官机制。这些研究复制了大型胡须的形态和力学，以及一个神经模型，该模型模拟了胡须感官运动协调所依据的许多大脑区域，包括一个产生胡须周期性运动的 CPG 模型。Whiskerbot 可以重现老鼠对胡须刺激的典型响应和定向行为。具体来说，该机器人显示其胡须振荡的幅度发生变化，在接触时变得不那么明显，并且头部和躯干的运动旨在使其鼻子靠近接触点。

Schroeder 和 Hartmann 在相关工作中研究了光流与基于胡须的触觉的动态特征之间的相似性。他们表明，当胡须在物体上移动时产生的信号可能像光流一样，传达有关物体的全面信息，包括其曲率和径向距离。这些信息可用于预测未来的触点。

这些项目显然有助于机器人设计人工触觉系统，这些系统可以像其生物对应物一样补充视觉（例如，在黑暗中），并且不仅可以用于检测物体，还可以用于识别其运动和属性。它们从神经生物学和神经行为学的角度来看很有趣。

导航

脊椎动物导航的力学机制是早期神经科学-机器人学合作研究的课题。在发现大鼠海马体中的位置细胞后，已启动多项研究，使用机器人测试脊椎动物导航模型。位置细胞是海马神经元，它们对视觉信号有很强的反应，并且当大鼠处于某个区域时会快速发放。研究人员为一辆微型轮式机器人配备了摄像机和多个红外接近传感器，以及一个基于位置细胞的导航系统。设置了学习规则，这些规则修改网络内的突触连接，通过环境探索逐渐学习位置细胞映射，并在访问目标/奖励位置后更新指向目标/奖励位置的群体向量。该机器人准确地重现了真实大鼠的几项观察结果。例如，机器人可以从新地点开始进行泛化，并可以快速返回目标区域。值得注意的是，当环境发生变化并沿一个轴生长时，模型中的 PC 表现出与真实大鼠相同的适应方式。在相关工作中，研究人员表明，具有路径积分的位置细胞的神经模型足以复制各种行为实验的结果，包括在几何上模糊的环境和黑暗中的导航，此外还能解释对空间位置和方向的感知。除了导航之外，还有一个雄心勃勃的“基于大脑的设备”概念，它试图用由多个大脑区域组成的神经结构来操作机器人，并逐步赋予机器人越来越像哺乳动物的学习能力。

灵长类动物

灵长类动物表现出广泛的行为，包括双足行走、灵巧操作和复杂的社会关系。对猴子大脑进行逆向工程已被提议为欧洲和美国二十一世纪的主要任务之一。这些行为由强大的神经系统控制。灵长类动物行为神经科学的研究需要还原论技术，其中调节良好、基本行为与单个神经元、神经阵列或整个大脑区域的活动发放相关联，如成像研究所显示的。没有系统级的处理方法，由于灵长类神经系统中的信息处理水平很高，因此几乎不可能获得对其底层计算的良好理解。运动控制的计算方法主要是在 20 世纪 70 年代和 80 年代在视觉计算神经科学的开创性工作中建立的；事实上，Marr 本人提出了一个有影响力的灵长类小脑运动学习模型。从物理学的角度来看，灵长类动物是惯性主导的系统（即，雷诺数 >> 1），机器人学已经广泛研究了这些系统，特别是操作机器人，它研究带有手臂和腿的机器人（与轮式移动机器人相对）。因此，将操作机器人学的理论和研究与灵长类动物的行为和神经生物学进行类比似乎是合乎逻辑的。

机器人对灵长类神经科学的早期影响

20 世纪 80 年代，计算运动控制出现，主要是通过将机器人学和控制论的知识应用于神经科学和灵长类行为的研究。一个例子是分析如何通过肌肉产生的运动来控制末端执行器对外部力扰动的抵抗力或实现阻抗控制。与物体接触时，阻抗管理对于稳定的力控制至关重要，而人类行为表明复杂的阻抗控制。最优控制方法，强调平滑度最大化、力矩变化最小化、肌肉指令变化最小化、任务变化最小化等简单组织概念，在另一项人类手臂运动模型的研究领域中获得了普及。在 20 世纪 80 年代，神经科学家发现，分析单自由度运动的常见实验范式过于简单，无法揭示运动控制和规划的复杂性。这一发现基于机器人学的刚体动力学建模。两关节臂范式，由一个带有一个肘关节和一个肩关节的手臂组成，已成为一种流行的神经运动控制模型，可以在人类和灵长类动物的行为和神经生理学研究中进行检查。从本质上是线性的单自由度运动模型转变为非线性的双自由度模型，引发了一场关于神经系统是否能在没有身体动力学内部表征的情况下进行自我控制的有趣辩论，这个主题也称为直接控制与间接控制。此前，“平衡点假说”，一个非常受欢迎的无模型生物运动控制理论，提出运动到目标姿势是通过神经肌肉系统的吸引子动力学和弹簧特性产生的，包括脊髓电路，而神经系统只编码实现运动目标姿势的肌肉长度。然而，通过对人类手臂运动进行详尽的生物力学阻抗测量表明，平衡点控制无法描述运动到目标点的瞬时性质，使其成为不切实际的人类运动控制模型。因此，基于模型的控制获得了关注，并经常被称为内部模型假说。

基于模型的控制

机器人学长期以来一直对基于模型的机器人控制感兴趣，即使用内部表征来预测控制系统及其环境的运动学和/或动力学。然而，直到 20 世纪 80 年代末，才有一些扭矩控制的顺应性机器人可用于实验评估；位置控制机器人难以实现顺应性控制。“前向建模”是指使用模型来预测运动系统或其环境的动力学和运动学。“逆向建模”是指使用模型来确定期望状态的适当电机指令。科学家们通过研究一种先进的扭矩控制机器人的问题，为基于模型的控制奠定了基础。科学家们基于对小脑学习的见解，创建了反馈误差学习作为生物学习的模型。然后，该模型被用于机器人系统中的各种学习控制。鉴于这些模型的数学复杂性，几项研究探讨了机器学习技术，以从数据中创建灵长类运动动力学的模型。例如，科学家们创建了用于运动技能开发的神经网络，使用了几种类型的内部模型。基于受小脑影响的架构，具有不同功能的模块化控制模块变得很有趣。他们在人类功能性脑活动和机器人操作对象的方法中发现了佐证。研究人员开发了一种基于局部线性化的内部模型学习技术，该技术在各种具有挑战性的拟人机器人任务中有效地演示了内部模型学习。基于行为和机器人学研究，科学家们研究了用于倒杆任务的内部控制模型的可能性，并得出结论，人类控制中存在预测性前向模型。由于神经科学和机器人学在利用内部模型进行学习和控制方面的研究非常有效，因此内部模型假说在灵长类控制中获得了广泛认可。

运动规划和模仿

在动物和机器人中都出现了计划运动的问题。高度冗余的运动系统通常可以在无限多的空间和时间方式中被招募以实现给定的运动目标；也就是说，有无数种不同的肌肉组合和轨迹可以到达那里。然而，正如在计算运动控制的早期研究中所观察到的，人类和非人类灵长类动物使用非常刻板的方法来移动，表明存在一些基本且相似的运动生成原则。如前所述，寻找组织原则的一种方法是使用优化概念，并且计算运动控制仍然经常讨论优化。在本世纪初，随机最优控制（考虑随机影响的最优控制）成为一种广为人知的运动生成理论。它涉及同时计算运动计划和随时间变化的适当反馈控制器，该控制器还可以处理阻抗控制。尽管计算起来很困难，但最优控制为实验数据提供了有趣的解释，并启发了许多进一步的研究。机器人文献也受到了最优控制作为灵长类运动的神经科学模型复兴的影响，因为相关的最优控制理论为全身人类运动控制带来了许多新发现。应该提到的是，除了其他技术突破之外，在传统台式计算机上解决复杂优化问题的能力极大地促进了最优控制理论的成功复兴。在最近称为 DARPA 机器人挑战赛的机器人比赛中，全身运动生成的最优控制方法是普遍做法，而不是例外。具有人类特征的机器人必须在灾难场景中解决许多问题。对通用运动原语的搜索也为运动规划提供了另一个窗口。运动原语是动作序列，例如“行走”、“发网球”、“抓杯子”等，这些动作完成了目标导向的行为。由于这种编码，生成了一个紧凑的状态-动作表示，只需要对参数进行微调即可实现给定的目标。这些参数包括，例如，到达运动的目标状态和持续时间，或韵律运动的频率和幅度。通过使用此类原语，对于给定的运动需要学习的参数数量会大大减少。

缺点是可执行的运动范围越来越有限。运动原语在过去已从多种角度进行了处理。例如，已为人类运动控制提出了末端执行器空间中的平面轨迹；然而，在一些机器人实验和理论分析中，这一概念已被驳斥为人类手臂运动学的人为产物。一项类似机器人研究也驳斥了人类手臂运动速度与运动曲率呈幂律耦合的概念。科学家们开发了动态运动原语的概念——即，通过非线性吸引子系统创建运动计划。这些系统的工作方式类似于中央模式生成器。本质上，动态运动原语使用微分方程来确定到达目标所需的后续电机指令。由于吸引子动力学，该原语甚至可以稳健地实现运动计划。适用于人体解剖学的扭矩控制机器人 ATR 计算神经科学实验室（日本）、Sarcos 公司（犹他州盐湖城）、南加州大学（加利福尼亚州洛杉矶）和卡内基梅隆大学（宾夕法尼亚州匹兹堡）合作构建了这些机器人用于计算神经科学。（A） Sarcos 灵巧臂机器人，该机器人用于神经科学研究的众多行为研究。（B） 内部模型学习实验在 Sarcos DB 上进行。（C） Sarcos 人形机器人，用于运动研究。通过变化，动态运动原语在机器人研究中变得流行，并且可以解释灵长类运动控制中的数据。它们还启发了成像研究，以调查大脑中离散运动和周期性运动之间的区别，这基于点吸引子和极限循环吸引子之间的差异。也许，神经科学、行为科学和机器人学领域思想相互影响并共同推动所有相关学科的一个例子是动态运动原语。

在模仿学习和“镜像神经元”理论的背景下研究运动原语的概念同样引人入胜。随着所谓的镜像神经元在灵长类前运动皮层中的发现，科学家们假设观察另一个人移动涉及一种大脑机制，该机制也可以产生相同的运动行为。根据该理论，整个运动行为或运动原语必须具有清晰的大脑表征，并在他人的行为中可识别。这种运动产生和识别之间的耦合的应用，特别是结合运动原语的特定理论，在机器人研究和计算运动控制中引起了极大的关注。

运动

应该强调的是，机器人学和神经学中的大多数研究都集中在猴子的伸手和抓握运动上。在灵长类运动方面，神经科学和机器人学的接口发展得还不够成熟。一种可能的解释是，涉及脊髓的关于猴子行走神经科学方面的研究具有挑战性，因为脊髓是一个量化起来出了名的困难的结构。另一种解释可能是因为双足运动的驱动系统本身具有高维度，包括整个身体。这使得应用还原论实验方法变得具有挑战性，而这在手臂运动中很常见，通常只考虑两个自由度。激发双足运动研究人员的一个神经科学领域是中央模式生成器控制技术。中央模式生成器结合了运动规划和稳定性，迄今为止，双足运动的生物学实现已经超越了机器人控制器。在一项非常复杂且具有开创性的研究中，Taga 使用了一个由相互连接的振荡器组成的庞大网络来模拟双足行走。存在相关的机器人项目。该研究领域经常与“被动动态行走”相关，该研究探索了神经肌肉解剖学和力学在多大程度上可以解释稳定的双足平衡控制、行走和跑步。该研究领域的指导原则包括稳定性、机械设计、能源效率和最小控制。创建了小型机器人系统来阐明这些概念。同样，Raibert 在跳跃机器人方面的开创性研究表明，简单的控制概念可以提供非常稳定的双足（和单足）运动。另一方面，对人形机器人学的研究使用了非常复杂的机器人，这些机器人尚未轻易地与被动动态行走的概念相结合。零力矩点和重心提供了广泛用于平衡和运动控制的稳定性参数。然而，更基本机器人学和生物力学研究的一个方面——使用像倒立单摆这样的模型的浓缩参考动力学，这与 Raibert 的开创性工作有着明显的联系——确实对人形机器人学产生了有趣的影响。这些简化的模型通过将控制系统提炼到其最基本的部分（例如，由刚性杆连接到地面的重心）来简化规划和稳定性考虑。使用简化的模型可以更好地理解腿部运动的实际控制机制，但关于简化程度的适当程度存在争议。从行为和生物力学的角度来看，双足运动的控制理论模型经常因与猴子中观察到的特征有些脱节而受到批评。我们非线性运动系统在与复杂环境接触时的数学操作工具非常有限，并且有可能在未来，更实证的（即数据驱动和学习驱动）方法将取代我们对可分析模型和算法的科学探索。

结论

大脑和身体协同进化，通过调节行动与感知之间的持续反馈循环，在物理世界中产生具体影响，这决定了智能生命的成败。因此，理解大脑的电路和过程如何通过身体与外部世界互动来影响行为，对于理解大脑至关重要。借助机器人和机器人理论，神经科学得以通过将假设转化为机器人中的运行机制并观察它们的行为（验证或拒绝知识）来评估假设；通过将替代假设与其行为结果进行比较来完善知识；并通过提出基于系统的具身性或情境性的新假设来产生新知识。像生物系统一样，需要在部分未知和不断变化的环境中自主运行的机器人，也可以从应用神经科学原理中受益，因为不可能为它们在其运行一生中可能遇到的每一种可能的感官运动模式组合进行预编程。在本综述中，我们展示了神经科学如何帮助机器人开发新的传感和执行设备，以提高鲁棒性、灵活性和适应性，从而简化控制问题。此外，它还可以帮助开发简单但可靠的算法，在各种环境上下文中有效地将感官数据转化为运动命令，并包含学习能力以适应不断变化的情况或添加新的感官运动知识。但是，仅仅“盲目”地将受生物启发的行为集成到机器人中，可能不会带来新的生物学理解或机器人学概念。同样，通过利用机器人学的理论和计算知识进行生物建模，可能无法理解大脑。大多数成功的项目都涉及机器人学和神经病学之间谨慎的迭代，直到提出合适的问题，开发出有效的策略，并最终取得显著的成果。在理论、算法和实现方面，科学家的战略思维仍然可能是一个有用的指导。虽然由于硬件差异，实现差异很大，但与神经病学和机器人学相关的理论可以共享，算法也可能相似。神经病学和机器人学之间关系的基本思想在理查德·费曼的名言“我无法建造的东西，我无法理解”中得到了表达。这是因为生物系统和机器人系统最终必须应对非常相似的状况和物理定律。