仿生塑性神经网络：用于复杂动物灵感机器人零样本外分布 generalization
机器人学
2025-03-18 v1 人工智能
摘要
人工神经网络可用于解决各种机器人任务，但在面临外分布（OOD）情况时可能出现灾难性失败。已有研究采用称为赫宾学习的突触可塑性类型，可根据局部神经活动动态调整权重。研究表明，突触可塑性可以使策略更具鲁棒性，并帮助其适应环境中不可预见的变化。然而，具有赫宾学习的网络可能导致权重发散，进而导致网络不稳定。此外，此类赫宾网络尚未应用于解决具有众多自由度的复杂实时机器人上的腿式运动控制。在本工作中，我们通过权重归一化机制改进了赫宾网络，以防止权重发散，分析了赫宾权重的主成分，并对网络在18自由度类牛蛮蝎和16自由度类壁虎机器人上的 locomotion 控制进行了深入评估。我们发现，基于赫宾的可塑性网络能够执行零样本 sim-to-real 适应性 locomotion，并对未见情况（如不平坦地形和形态损伤）进行泛化。
引用
@article{arxiv.2503.12406,
title = {Bio-Inspired Plastic Neural Networks for Zero-Shot Out-of-Distribution Generalization in Complex Animal-Inspired Robots},
author = {Binggwong Leung and Worasuchad Haomachai and Joachim Winther Pedersen and Sebastian Risi and Poramate Manoonpong},
journal= {arXiv preprint arXiv:2503.12406},
year = {2025}
}