具备快速学习的通用模块化神经运动控制

腿式机器人在高度非结构化环境中具有显著的运行潜力。然而，运动控制的设计仍具挑战性。当前，控制器必须要么针对特定机器人和任务手动设计，要么通过机器学习方法自动设计，但后者需要长训练时间并产生大型不透明控制器。受动物运动启发，我们提出一种简单而通用的模块化神经控制结构，具备快速学习能力。我们方法的关键优势在于：可增量添加特定行为控制模块以获得日益复杂的涌现运动行为，且与现有模块接口的神经网络连接能够快速自动学习。在一系列实验中，我们展示了如何快速学习八个模块并添加至基础控制模块，从而获得涌现的自适应行为，使六足机器人能在复杂环境中导航。我们还展示了模块可在运行中增减而不影响其余控制器的功能。最后，该控制方法在一台实体六足机器人上成功演示。总之，我们的研究向复杂机器人系统通用神经运动控制的快速自动设计迈出了重要一步。