Learning-based Hierarchical Control: Emulating the Central Nervous System for Bio-Inspired Legged Robot Locomotion

动物拥有惊人的能力，可以在具有挑战性的地形上行走，这是通过大脑、脊髓中的中央模式发生器（CPG）和肌骨系统之间的多种途径相互作用实现的。传统的仿生控制框架通常依赖于一个单一的控制策略，该策略模拟了更高（上脊髓）和脊髓功能。在这项工作中，我们在之前的研究基础上引入了两个不同的神经网络：一个神经网络负责调节CPG的频率和振幅以生成基本的运动节奏（称为脊髓策略，SCP），另一个神经网络负责接收环境感知数据并直接调节SCP的节奏输出，以在具有挑战性的地形上执行精确的运动（称为下行调制策略）。这种分工更接近于腿部动物观察到的分层运动控制系统，从而增强了机器人在各种不平坦的表面上行走的能力，包括阶梯、高障碍物和具有缝隙的地形。此外，我们还研究了我们框架中的感觉运动延迟的影响，验证了关于动物运动系统的几个生物学假设。具体而言，我们证明脊髓电路在生成基本的运动节奏方面发挥着关键作用，而下行通路对于实现适当的步态调整以适应不平坦的地形至关重要。值得注意的是，我们的发现还揭示了动物固有的多层控制对于时间延迟表现出了惊人的鲁棒性。通过这些研究，本文有助于更深入地了解生物运动中脊髓和上脊髓机制之间相互作用的基本原则。它还支持与生物结构并行开发运动控制器，这些控制器是...

论文旨在建立一个更接近动物层次运动控制系统的多层次控制框架，以提高机器人在不同地形上的运动能力。同时，论文还验证了一些关于动物运动系统的假设，如脊髓电路在生成基本运动节律中的重要性，以及下行通路在适应不同地形中的重要性。

论文提出了两个不同的神经网络，分别负责生成基本运动节律和接收环境感知数据并直接调节运动输出，以实现在不同地形上的精确运动。这种分工更接近于动物的层次运动控制系统，提高了机器人在不同地形上的运动能力。

论文通过实验验证了一些关于动物运动系统的假设，如脊髓电路在生成基本运动节律中的重要性，以及下行通路在适应不同地形中的重要性。研究还展示了动物多层次控制的鲁棒性，并探索了传感器运动延迟对运动控制的影响。

近期在这个领域中，还有一些相关的研究，如《A bio-inspired hierarchical framework for quadruped robot locomotion》、《Hierarchical control of quadrupedal robots: a bioinspired approach to locomotion》等。