Resumen Técnico: Una Arquitectura de Espigamiento para la Coordinación del Control de Brazos y Locomoción

Planteamiento del Problema

Las Redes Neuronales de Espigamiento (SNN, por sus siglas en inglés) junto con el hardware neuromórfico ofrecen soluciones prometedoras de bajo consumo para el control de robots humanoides. Sin embargo, los sistemas de control motor basados en SNN suelen abordar la locomoción bípeda y la manipulación de brazos de forma aislada. Existe una falta de sistemas de control integrados que gestionen ambos comportamientos simultáneamente dentro de una única arquitectura de espigamiento, un prerrequisito para la interacción física significativa de múltiples pasos en entornos humanos. La investigación actual suele tratar estas como tareas concurrentes separadas en lugar de una capacidad integrada, y pocos sistemas combinan la selección de acciones de alto nivel con el control de fuerza de bajo nivel dentro de un marco totalmente basado en espigamiento.

Metodología

Los autores presentan una arquitectura de control de espigamiento unificada para el robot humanoide Unitree H1, utilizando el Marco de Ingeniería Neural (NEF) y la Arquitectura de Punteros Semánticos (SPA). El sistema se implementa en Nengo y se co-simula con Isaac Sim. La arquitectura consta de tres módulos principales que interactúan:

1. Control de Brazo de Espigamiento (Modelo REACH)

El controlador del brazo adapta el modelo de Jerarquía de Control Adaptativo de Error Recurrente (REACH) a un brazo humanoide de 4 grados de libertad (DOF). Emplea un marco de Control de Espacio Operacional (OSC) descompuesto en tres módulos con base biológica:

• Corteza Somatosensorial (S1): Codifica el estado propioceptivo (posiciones articulares, velocidades y posición del efector final).
• Corteza Motora Primaria (M1): Calcula los componentes cinemáticos, mapeando el error del espacio de la tarea a los torques articulares mediante la Jacobiana del brazo y la matriz de inercia. Para manejar la alta dimensionalidad de un brazo de 4 DOF en 3D (un espacio de entrada de 7D), los autores descomponen la ecuación de control en tres componentes espaciales independientes (X, Y, Z), utilizando conjuntos neuronales de 5D separados en lugar de un único conjunto de 7D.
• Cerebelo (CB): Gestiona la compensación dinámica, incluyendo el amortiguamiento dependiente de la velocidad y la compensación de gravedad. Al igual que M1, la ecuación de la dinámica se descompone en términos independientes por cada velocidad articular para reducir la carga representacional neuronal de un espacio de 8D a cuatro conjuntos de 5D.

2. Locomoción Bípeda de Espigamiento

El controlador de locomoción aproxima una política de Red Neuronal Artificial (ANN) pre-entrenada (un MLP de 3 capas con activaciones ELU) utilizando SNN.

• Conversión de ANN a SNN: Dado que las neuronas biológicas no pueden producir actividad negativa (a diferencia de la función de activación ELU), los autores proponen un método de conversión novedoso. Cada unidad oculta ELU es aproximada por un conjunto híbrido: un conjunto de neuronas de Integración y Disparo con Fuga (LIF) para el semiespacio negativo y un conjunto de unidades lineales rectificadas con espigamiento para el semiespacio positivo.
• Dinámicas Temporales: Para estabilizar la comunicación basada en espigas entre capas, las conexiones feedforward se filtran con una constante de tiempo sináptica ($\tau_{fwd} = 2$ ms).
• Seguimiento de Trayectoria: Un controlador de seguimiento de trayectoria de espigamiento calcula el error entre una trayectoria de referencia y el estado del robot, generando comandos de velocidad de avance y rotación angular para la red de la política.

3. Control Integrado vía Ganglios Basales

La selección de acciones entre la locomoción y el control del brazo está mediada por un modelo de ganglios basales de espigamiento con base biológica.

• Mecanismo: El modelo utiliza una vía directa (strD1) e indirecta (strD2) para seleccionar acciones. El Globo Pálido Interno (GPi) actúa como una salida inhibitoria final, manteniendo una tasa de disparo basal alta que suprime todos los comandos motores.
• Desinhibición: Cuando la utilidad de una acción específica (por ejemplo, 'CAMINAR' o 'DIBUJAR') aumenta, el correspondiente grupo de GPi es suprimido (desinhibido), liberando el comportamiento motor seleccionado mientras los demás permanecen inhibidos. Esto permite al sistema cambiar entre caminar y la manipulación del brazo.

Principales Contribuciones

1. Controlador de Espigamiento Integrado: Este es el primer controlador de espigamiento integrado que combina locomoción bípeda y control de brazo en una plataforma humanoide a escala completa (Unitree H1). Demuestra con éxito el cambio entre caminar y dibujar/alcanzar mediante la desinhibición de los ganglios basales.
2. Modelo REACH Adaptado: Los autores demuestran que el modelo REACH de control de brazo biológico puede adaptarse a una plataforma humanoide a escala completa, utilizando la descomposición de la dimensionalidad para gestionar la carga computacional del control de espacio operacional 3D en neuronas de espigamiento.
3. Nueva Conversión de ANN a SNN: El artículo propone un método para convertir políticas de control de locomoción de ANN pre-entrenadas con actividad negativa (específicamente no linealidades ELU) en equivalentes de espigamiento. Esto implica un enfoque de conjunto híbrido (LIF para el lado negativo, tipo ReLU para el positivo) y filtrado sináptico para manejar las dinámicas temporales en un régimen de control de bucle cerrado.

Resultados

El sistema fue validado mediante la co-simulación de Nengo (control neural) e Isaac Sim (física):

• Control de Brazo: El sistema realizó con éxito el alcance de objetivos (manteniendo el efector final dentro de 4 cm de un objetivo) y el dibujo continuo de dígitos (trazando un '5' y un '8'). El controlador de espigamiento minimizó eficazmente la discrepancia espacial y rastreó las trayectorias de referencia.
• Locomoción: La aproximación de espigamiento de la política ANN logró una marcha estable en terreno plano. Aunque la política de espigamiento mostró perturbaciones del centro de masa ligeramente mayores y oscilaciones menores en comparación con la ANN de referencia, siguió con éxito los caminos predefinidos. Los estudios de ablación confirmaron que silenciar el 50% de los conjuntos causaba un cese abrupto de las oscilaciones naturales de la marcha, verificando el papel causal de la red de espigamiento.
• Selección de Acciones: El módulo de los ganglios basales logró mediar las transiciones entre la locomoción y el control del brazo. La actividad neural en el estriado (strD1) rastreó las señales de utilidad, y el GPi exhibió los patrones de desinhibición esperados, liberando limpiamente la secuencia motora seleccionada mientras suprimía la otra.

Significancia y Reivindicaciones

Los autores afirman que este trabajo representa el primer controlador de espigamiento integrado capaz de realizar locomoción y control de brazo, y de cambiar suavemente entre ambos, en un humanoide a escala completa.

• Impacto Científico: El trabajo unifica la marcha, el dibujo y el cambio de estado dentro de una única arquitectura de espigamiento. Se afirma que la descomposición de los cálculos cinemáticos y dinámicos de alta dimensión en conjuntos de menor dimensión mejora la relación señal-ruido y la precisión de la decodificación.
• Avance Metodológico: La aproximación exitosa de la no-negatividad de la no linealidad ELU en una política de control de bucle cerrado se presenta como una extensión significativa de los linajes previos de conversión ANN-a-SNN (que se centraban en modelos de visión feedforward).
• Despliegue Futuro: La implementación completa basada en espigas se destaca como un facilitador para el futuro despliegue en hardware neuromórfico de bajo consumo.

El artículo reconoce limitaciones, señalando que la estabilidad postural durante el control del brazo se impone actualmente mediante un ancla arquitectónica (anclando la pelvis) en lugar de dinámicas neurales emergentes, y que la política de locomoción está actualmente limitada a terreno plano.