一个国际研究小组通过结合中枢模式生成器 (CPG) 和深度强化学习 (DRL)，创造了一种模拟人体运动的新方法。该方法不仅可以模拟步行和跑步动作，还可以为没有运动数据的频率生成动作，实现从步行到跑步的平稳过渡动作，并可以适应表面不稳定的环境。

他们的突破细节于 2024 年 4 月 15 日发表在 《IEEE 机器人与自动化快报》杂志上 。

我们可能没有过多考虑，但行走和跑步涉及固有的生物冗余，使我们能够适应环境或改变我们的行走/跑步速度。鉴于其复杂性和复杂性，在机器人中重现这些类似人类的动作是出了名的具有挑战性。

当前的模型通常难以适应未知或具有挑战性的环境，这使得它们的效率和效果较差。这是因为人工智能适合生成一个或少数几个正确的解决方案。对于生物体及其运动，并不存在唯一正确的模式。可能的运动范围很广，而且并不总是清楚哪一种是最佳或最有效的。

DRL 是研究人员寻求克服这一问题的方法之一。DRL 通过利用深度神经网络来处理更复杂的任务并直接从原始感官输入中学习，从而扩展了传统的强化学习，从而实现了更灵活、更强大的学习能力。它的缺点是探索巨大输入空间的计算成本巨大，尤其是当系统具有高自由度时。

AI-CPG：自适应模仿中枢模式生成器

另一种方法是模仿学习，即机器人通过模仿执行相同动作任务的人类的动作测量数据进行学习。尽管模仿学习擅长在稳定的环境中学习，但它在面对训练中未曾遇到的新情况或环境时会遇到困难。其有效修改和导航的能力受到其学习行为范围狭窄的限制。

东北大学工程研究生院教授 Mitsuhiro Hayashibe 解释说：“我们通过结合这两种方法克服了它们之间的许多局限性。模仿学习用于训练类似 CPG 的控制器，并且，我们不是将深度学习应用于 CPG 本身，而是将其应用于支持 CPG 的反射神经网络。”

CPG 是位于脊髓中的神经回路，就像生物导体一样，产生有节奏的肌肉活动模式。在动物中，反射回路与 CPG 协同工作，提供足够的反馈，使它们能够调整速度和行走/跑步动作以适应地形。

自适应模仿CPG(AI-CPG)方法通过采用CPG及其反身对应的结构，在模仿人体运动的同时，实现了显著的运动生成的适应性和稳定性。

Hayashibe 补充道：“这一突破为机器人产生类似人类的运动设定了新的基准，具有前所未有的环境适应能力。我们的方法代表了机器人控制生成人工智能技术发展的重要一步，具有在各个行业应用的潜在价值。”

该研究小组由东北大学工程研究生院和洛桑联邦理工学院(瑞士洛桑联邦理工学院)的成员组成。