用于具身控制的神经回路结构先验

用于运动控制的人工神经网络通常采用如全连接 MLP 等通用架构。虽然具有通用性，但这些白板架构依赖大量经验来学习，不易迁移到新的身体，且其内部动力学难以解释。在自然界中，动物出生时其神经系统就具有由进化塑造的高度结构化的连接；这种先天回路与学习机制协同作用，提供归纳偏置，使大多数动物在出生后不久就能良好运作并高效学习。受视觉回路启发的卷积网络为视觉编码了有用的偏置。然而，受神经回路启发的人工神经网络架构能在多大程度上为其他 AI 领域产生有用的偏置仍属未知。在本工作中，我们探究生物启发的人工神经网络架构在运动控制领域能提供何种优势。具体而言，我们将 C. elegans 的运动回路转化为控制模拟 Swimmer 智能体的人工神经网络模型。在运动任务上，我们的架构实现了良好的初始性能以及与 MLP 相当的渐近性能，同时大幅提高了数据效率并需要少几个数量级的参数。我们的架构具有可解释性，并能迁移到新的身体设计。消融分析表明，受约束的兴奋/抑制对学习至关重要，而权重初始化有助于获得良好的初始性能。我们的工作展示了生物启发的人工神经网络架构的几项优势，并鼓励未来在更复杂的具身控制中开展研究。