適應性神經控制如何提升機器人的靈活性與穩定性?
*適應性神經控制：讓仿生機器人更接近自然
在自然界中，動物能夠迅速調整姿勢和運動，以應對環境的各種變化，這種快速反應源自神經與肌肉的協同控制。如今，這種生物的適應性技術已被應用到仿生機器人 ALPHA 上，使其在突發情境下具備更高的靈活性和穩定性。傳統的機器人控制方式較為僵硬，難以模擬動物的快速反應，而全新的「適應性神經控制」系統則讓 ALPHA 更加接近動物的行為，展現出卓越的適應能力。
 |
| 圖一、ALPHA 機器人及其模組化神經控制與順應性控制系統圖(原文獻777頁) |
圖一展示了模仿南非糞金龜（Scarabaeus galenus）的 ALPHA 機器人。該機器人擁有六條腿，每條腿包含三個關節（胸-髖關節、髖-股關節、股-脛關節），模擬動物的自然步態。右側的框圖則顯示了其適應性神經控制系統，包含模組化神經行走控制（MNC）和線上適應性順應控制（OAC）兩個主要組件，MNC 負責步態生成，OAC 則能動態調節各關節的柔韌性，以應對環境變化。
*模組化神經行走控制（MNC）與線上適應性順應控制（OAC）
ALPHA 的適應性神經控制系統是在傳統控制概念上進行了改良，包含兩大主要組件：模組化神經行走控制（MNC）與線上適應性順應控制（OAC）。MNC 模仿生物的神經網絡，能根據需求生成不同的步態，控制機器人的行走方向和速度；而 OAC 則調節機器人各關節的柔軟度，以更靈活地應對環境變化。MNC 提供了 ALPHA 行動的基本架構和方向，OAC 則在此基礎上調整每個動作的穩定性，就像肌肉在支撐骨骼時適當地放鬆或收緊，以避免受傷並保持靈活性。
 |
| 圖二、模組化神經控制系統（MNC）與線上適應性順應控制系統（OAC）的架構圖(原文獻778頁) |
圖二顯示了適應性神經控制系統的詳細結構。模組化神經行走控制（MNC）包含四個子模塊：中央模式生成器（CPG）、相位切換模塊（PSM）、速度調節模塊（VRM）和前運動神經元模塊（PMN）。這些模塊共同生成步態並控制行進方向和速度。線上適應性順應控制（OAC）則通過調節每個關節的柔韌性來適應不同的動作需求，幫助機器人保持穩定。
*ALPHA 的應用實例
● 落下衝擊吸收：當 ALPHA 從 10 公分高度掉落時，OAC 自動調節各關節的柔軟度，使機器人迅速恢復穩定，並有效吸收衝擊，避免零件損壞，降低電流消耗，延長馬達壽命。
● 站立負載補償：在站立時，即使承受超過自身重量的負載，適應性控制系統仍能靈活調節關節的順應性，保持機器人的平衡。這一功能確保了 ALPHA 即使在重壓下也能穩定站立。
● 行走擾動反應：當 ALPHA 行走時遇到外力干擾，OAC 會即時調節關節的靈活度，確保機器人的行走路線穩定。即使面對崎嶇地形或突然的障礙，ALPHA 仍能保持平穩行走。
 |
| 圖三、ALPHA 機器人從高度掉落時的關節順應性適應實驗結果圖。(原文獻781頁) |
圖三顯示了第一項實驗的結果。其展示了適應性神經控制系統中 FT3（紅色）和 CF3（藍色）關節的剛度（I）、阻尼（II）和電流消耗（III）的變化情況。圖（IV）顯示了非適應性阻抗控制系統的電流消耗。結果顯示，適應性神經控制系統在著地瞬間能快速調整關節的順應性，吸收衝擊並減少馬達電流消耗，使機器人更快恢復穩定狀態，這相比傳統非適應性控制系統更加有效，證明了其在突發情境中的穩定性優勢。此實驗的影片可在以下連結觀看：http://manoonpong.com/ICONIP2020/video1.mp4
*適應性控控制技術的未來潛力
這種「適應性神經控制」技術有著廣闊的應用前景，特別是在災害救援和醫療機器人領域。其模組化設計的靈活性也能擴展至其他仿生機器人，進一步促進人機協作。隨著技術的不斷發展，未來我們有望看到更多具備生物適應能力的機器人，協助完成各種具有挑戰性的任務。總之，適應性神經控制技術使機器人更接近生物的行為模式，能夠快速反應並穩定地應對環境變化，展示了強大的應用潛力。
*Note
CPG及MNC的底層架構
中央模式生成器（CPG）和模組化神經運動控制（MNC）系統是基於離散時間非尖峰神經元（non-spiking neurons）設計的，而非傳統的尖峰神經網絡（SNN）。CPG模塊本質上是一組互相連結的神經元，通過內部偏置和固定的自連結權重生成周期性信號，從而驅動機器人步態的基本節奏（第779頁）。MNC則包括多個子模塊：CPG、相位切換模塊（PSM）、速度調節模塊（VRM）、以及前運動神經元模塊（PMN）。這些模塊共同協作生成步態信號並調整機器人的行走方向與速度，使整體控制系統能夠適應不同情境下的運動需求（第778 - 779頁）。
CPG及MNC的協作模式
CPG作為MNC的核心模塊，負責生成穩定的周期性步態信號，而MNC的其他子模塊則對此信號進行進一步調節。CPG產生的信號首先傳遞至相位切換模塊（PSM），使步態信號在不同情境下切換步態模式，如側向行走。接著，速度調節模塊（VRM）根據行進方向和速度需求調節信號的強度，並將調節後的信號傳遞至前運動神經元模塊（PMN），以控制具體的關節動作。這種協作模式使MNC能夠靈活調整機器人的運動行為，並在不同環境中保持穩定（第779頁）
撰文：林樂瑞
參考資料：Huerta, C. V., Xiong, X., Billeschou, P., & Manoonpong, P. (2020). Adaptive neuromechanical control for robust behaviors of bio-inspired walking robots. In Neural Information Processing: 27th International Conference, ICONIP 2020, Bangkok, Thailand, November 23–27, 2020, Proceedings, Part II 27 (pp. 775-786). Springer International Publishing.
留言
張貼留言