应用于7自由度机器人机的具身神经形态控制

人工智能向与环境实现实时交互的发展是具身智能和机器人学的关键方面。反演动力学是机器人学中的一个基本问题，将从关节空间映射到机器人系统的扭矩空间。传统方法依赖于对机器人进行直接物理建模，而这种建模在面对非线性和外部扰动时往往困难甚至不可能。最近，数据驱动的模型学习算法被采用来解决这一问题。然而，这些方法常常需要手动参数调优且计算成本高。神经形态计算在处理机器人运动控制中的时空特征方面具有天然优势，能够以极低的成本实现。然而，当前研究仍处于初步阶段：现有工作仅控制低自由度系统，且缺乏性能量化与比较。本文提出了一种神经形态控制框架，用于控制7自由度机器人机械臂。我们采用脉冲神经网络来利用运动数据的时空连续性，以提高控制精度，并消除手动参数调优。我们在两个机器人平台上进行了验证，该框架至少将扭矩预测误差降低了60%，并成功完成了目标位置跟踪任务。这一工作将具身神经形态控制从概念验证推进到复杂真实世界任务的应用。