慢速率控制频率与受限观测条件下变阻抗肌肉协调的评估——基于足式运动

人类运动控制尽管在反馈中感官信息有限，仍然保持敏捷和鲁棒，这一特性归因于身体通过变阻抗肌肉协调进行形态计算的能力。然而，这种低级机械计算如何降低高级控制器的控制需求仍不清楚。在本研究中，我们实现了一个分层控制器，由通过强化学习训练的高级神经网络和用于单腿运动任务的低级变阻抗肌肉协调模型（包含单关节和双关节肌肉）组成。我们通过改变控制频率并引入仿生观测条件——延迟观测、部分观测和替代观测——系统性地限制了高级控制器。在这些条件下，我们评估了低级变阻抗肌肉协调对高级神经网络学习过程的贡献。结果表明，变阻抗肌肉协调即使在慢速率控制频率和受限观测条件下也能实现稳定的运动。这些发现证明，肌肉协调的形态计算有效地卸载了高级控制器的高频反馈，并为运动控制中的控制器设计提供了设计原则。