機器狗學走路的秘密：為何科學家要給它裝上「第二個大腦」？

如果有人突然推你一把，或者你走在路上不小心踩到小石頭，為什麼你通常不會跌倒？

你可能會說：「因為我反應快啊！」但事實上，當你的大腦意識到「危險」之前，你的雙腿早已做出了調整。這種不經過大腦思考的「自動導航」能力，正是生物演化的奇蹟。

然而，對於機器人來說，這卻是個超級難題。傳統的機器人往往需要中央電腦不斷計算：「左腳抬高 30 度，右腳向後蹬...」，一旦運算稍微延遲，或者感測器訊號慢了半拍，機器人就會像喝醉酒一樣摔得四腳朝天。

來自瑞士洛桑聯邦理工學院（EPFL）的研究團隊，決定向大自然取經。他們不只給機器狗裝上了眼睛（視覺），還給它裝上了類似脊椎動物的「脊髓迴路」，讓機器狗學會像動物一樣「憑直覺」走路。

破解生物行走的密碼：兩個大腦的合作

要讓機器狗走得穩，我們得先看看動物是怎麼走的。生物學家發現，貓狗在走路時，大腦並不是真的在控制每一塊肌肉。

1. 大腦（高層指揮官）： 負責看路、決定方向（例如：「前面有石頭，向左轉」）。

2. 脊髓（基層執行官）： 擁有一種稱為**中央模式產生器（CPG）**的神經迴路。它就像一個自動打拍子的節拍器，能指揮四肢產生規律的節奏（左、右、左、右），不需要大腦時刻盯著。

過去的機器人主要依賴「大腦」（強力電腦）來硬算每一步，這不僅耗電，而且對訊號延遲非常敏感。這項研究的核心突破，就是把 CPG（脊髓節奏） 與 深度強化學習（大腦學習） 結合起來，創造了一種名為 Visual CPG-RL 的新架構。

研究發現：讓機器狗「長記性」且「手牽手」

研究團隊使用了一隻名為 Unitree Go1 的四足機器狗進行實驗。他們在電腦模擬環境中訓練了成千上萬次，讓機器狗在充滿箱子、障礙物的地形中奔跑，然後將學到的能力應用到真實世界。

他們發現了三個讓機器人變聰明的關鍵秘密：

1. 讓四肢「手牽手」（耦合效應）

在生物體內，控制四肢的神經振盪器是互相連結的。研究人員在程式中模擬了這種連結（Coupling），這就像是讓四條腿「手牽手」跳舞，而不是各跳各的。

結果顯示： 當機器狗的四肢神經訊號互相連結時，它在面對複雜地形（如障礙物）時的穩定性大幅提升。這就像四個人手勾手走過結冰路面，比一個人單獨走更不容易滑倒。

2. 擁有「記憶」的大腦更強大

研究團隊測試了兩種不同的人工智慧神經網路：一種是單純的「反射型」（MLP），另一種是帶有「記憶功能」的（LSTM）。

結果顯示： 帶有記憶功能的網路表現更好。因為它能記住前一秒發生的事（例如：「剛才右腳好像踢到東西了」），進而調整下一步的動作，這讓機器狗走得更省電、更順暢。

3. 對抗「時間差」的超能力

這是最驚人的發現。在真實世界中，眼睛看到東西傳到大腦，再傳到肌肉，會有幾十毫秒的延遲（Sensorimotor Delay）。對於大型哺乳動物來說，這個延遲大約是 30 到 60 毫秒。

如果是傳統控制方法的機器人，一旦訊號延遲超過 30 毫秒，就會開始顫抖、跌倒。但這隻裝有 CPG 架構的機器狗，即使面對高達 90 毫秒 的訊號延遲，依然能走得穩穩當當。這證明了模仿生物的「脊髓機制」，能有效填補感測訊號的時間差。

這項技術能用在哪裡？

這項研究不只是讓機器狗跑得更好看，它有著巨大的實際應用潛力：

1. 災難搜救： 地震後的廢墟充滿了不規則的瓦礫堆。裝備了這套系統的搜救機器人，因為容錯率高、抗干擾能力強，能更深入危險區域尋找倖存者，而不會被自己的腳步絆倒。

2. 行星探測： 在火星或月球表面，地形未知且訊號傳輸有極大延遲。具備 CPG 機制的機器人可以像動物一樣，在不需要地球指令的情況下，自主處理每一步的微小失衡，安全地探索外星地貌。

未來展望：機器人會越來越像動物嗎？

這篇論文證實了「師法自然」是機器人學的一條明路。透過模擬動物的脊髓（CPG）和大腦（神經網路）的合作模式，機器人不再只是冷冰冰的計算機，而是開始擁有了類似生物的「運動直覺」。

當然，目前的機器狗還沒辦法像雪豹那樣爬峭壁。研究團隊表示，未來他們希望將這套系統升級，讓機器狗能應對更崎嶇的地形，甚至學會更複雜的步態轉化。或許在不久的將來，我們會在山林間看到身手矯健的機器守護者，與我們並肩同行。

📚 術語小辭典

1. 四足機器人（Quadruped Robot）： 擁有四條腿的機器人，結構類似狗或馬，比輪式機器人更適合跨越障礙物。

2. 中央模式產生器（CPG）： 位於生物脊髓或機器人控制系統中的神經迴路，能自動產生走路、游泳等規律節奏，不需要大腦持續下指令。

3. 深度強化學習（Deep RL）： 一種 AI 訓練方法，透過「獎勵」與「懲罰」機制（例如：走得好給分，跌倒扣分），讓電腦像訓練小狗一樣學會複雜技能。

4. 長短期記憶網路（LSTM）： 一種特殊的人工智慧架構，具有「記憶」功能，能處理有時間順序的資訊（如走路的動作序列）。

撰寫者：林樂瑞

參考資料：Bellegarda, G., Shafiee, M., & Ijspeert, A. (2024). "Visual CPG-RL: Learning central pattern generators for visually-guided quadruped locomotion". 2024 IEEE International Conference on Robotics and Automation (ICRA) (pp. 1420–1427). IEEE. 

https://doi.org/10.1109/ICRA57147.2024.10611128