一个国际研究小组通过结合中枢模式生成器(CPGs)和深度强化学习(DRL)创造了一种模仿人类运动的新方法。该方法不仅可以模仿步行和跑步的动作，还可以在没有运动数据的情况下生成频率运动，实现从步行到跑步的平滑过渡，并允许适应不稳定表面的环境。
他们的突破细节发表在2024年4月15日的《IEEE机器人与自动化快报》上。
我们可能没有想太多，但走路和跑步涉及内在的生物冗余，使我们能够适应环境或改变我们的走路/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，这使得它们效率较低，效果较差。这是因为人工智能适合生成一个或几个正确的解决方案。对于生物体和它们的运动，并不是只有一种正确的模式可以遵循。有一系列可能的动作，但并不总是清楚哪一种是最好的或最有效的。
DRL是研究人员试图克服这一问题的一种方法。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，实现了更灵活、更强大的学习能力。它的缺点是探索巨大的输入空间的计算成本巨大，特别是当系统具有高度自由度时。
另一种方法是模仿学习，其中机器人通过模仿人类执行相同运动任务的运动测量数据来学习。虽然模仿学习擅长在稳定的环境下学习，但在面对训练中没有遇到过的新情况或环境时，它会很挣扎。它有效地修改和导航的能力受到其学习行为的狭窄范围的限制。
“通过结合这两种方法，我们克服了它们的许多局限性，”东北大学工程研究生院的教授Mitsuhiro Hayashibe解释说。“模仿学习被用来训练一个类似cpg的控制器，而且，我们没有将深度学习应用于cpg本身，而是将其应用于一种支持cpg的反射神经网络。”
CPGs是位于脊髓中的神经回路，像生物导体一样，产生肌肉活动的节律模式。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及其反身对应物的结构，在模仿人体运动的同时，在运动生成方面取得了显著的适应性和稳定性。
Hayashibe补充说:“这一突破为机器人产生类似人类的运动设定了一个新的基准，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，在各个行业都有潜在的应用。”
该研究小组的成员来自东北大学工程研究生院和École洛桑理工学院，即瑞士洛桑联邦理工学院。
更多信息:李冠达等，AI-CPG:基于增强反射神经网络学习的双足运动自适应模仿中心模式生成器，IEEE机器人与自动化学报(2024)。DOI: 10.1109/LRA.2024.3388842期刊信息:IEEE机器人与自动化快报由东北大学提供引文:新方法使用生成式人工智能来模仿人类运动(2024,5月8日)检索自2024年5月8日https://techxplore.com/news/2024-05-approach-generative-ai-imitate-human.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
