💻 computer science

A Spiking Neural Architecture for Coordinating Arm and Locomotor Control

Questo articolo presenta la prima architettura neurale spiking integrata che coordina la locomozione bipede e il controllo del braccio su un robot umanoide a scala reale utilizzando un modello di gangli della base biologicamente fondato per la selezione dell'azione, validato attraverso la co-simulazione in Nengo e Isaac Sim per dimostrare un controllo efficiente dal punto di vista energetico e pronto per il neuromorfismo.

Autori originali: Lea Steffen, Kathryn Simone, Graeme Damberger, Travis DeWolf, Hudson Ly, Chris Eliasmith

Pubblicato 2026-06-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Lea Steffen, Kathryn Simone, Graeme Damberger, Travis DeWolf, Hudson Ly, Chris Eliasmith

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina un robot che dovrebbe agire come un essere umano: deve camminare per strada mentre contemporaneamente disegna un quadro con la mano. Di solito, gli scienziati costruiscono il "cervello" per camminare e il "cervello" per muovere il braccio come due sistemi separati e isolati. Funzionano bene da soli, ma non si parlano.

Questo articolo presenta un nuovo "cervello" unificato per un robot (nello specifico l'umanoide Unitree H1) capace di fare entrambe le cose contemporaneamente e di passare dall'una all'altra istantaneamente. La parte più eccitante? Questo cervello è costruito interamente con Reti Neurali Spiking (SNN).

Ecco una ripartizione di come funziona, usando semplici analogie:

1. Il Cervello: Una Rete di Lucciole

La maggior parte dei cervelli informatici (come quelli del tuo telefono) lavora come un flusso costante di elettricità, calcolando costantemente numeri. Questo nuovo sistema funziona come uno sciame di lucciole.

Spiking (Impulsi): Invece di un ronzio costante, i neuroni sono silenziosi finché non devono inviare un messaggio, momento in cui emettono una piccola scintilla elettrica (un impulso o "spike").
Perché è importante: Proprio come le lucciole brillano solo quando necessario, questo sistema consuma pochissima energia. È progettato per essere abbastanza efficiente da poter girare su hardware speciale a basso consumo in futuro.

2. Il Manager: Il "Poliziotto del Traffico" (Ganglia Basali)

Come fa il robot a sapere se deve camminare o disegnare? Utilizza una parte del cervello chiamata Ganglia Basali, che funge da Poliziotto del Traffico o Centralinista.

Il Compito: Il robot ha due compiti principali: "Camminare" e "Disegnare". Il Poliziotto del Traffico osserva la situazione e decide quale compito riceve il semaforo verde.
Il Meccanismo: Immagina che il segnale "Cammina" e il segnale "Disegna" stiano entrambi cercando di passare attraverso una porta chiusa. Il Poliziotto del Traffico tiene entrambe le porte chiuse (inibite) per impostazione predefinita. Quando è il momento di camminare, sblocca la porta "Cammina" e tiene chiusa la porta "Disegna". Questo si chiama disinibizione.
Il Risultato: Il robot può smettere di disegnare in modo fluido, riporre il braccio in sicurezza, iniziare a camminare e poi tornare a disegnare senza cadere o confondersi.

3. Le Braccia: La "Memoria Muscolare" (Modello REACH)

Per controllare il braccio, i ricercatori hanno utilizzato un modello chiamato REACH, che imita il modo in cui i cervelli umani controllano le braccia. Hanno suddiviso il cervello in tre squadre specializzate:

La Squadra Sensoriale (S1): Questa squadra percepisce dove si trova il braccio in questo momento (come i tuoi occhi che dicono al tuo cervello dove si trova la tua mano).
La Squadia dei Pianificatori (M1): Questa squadra calcola la matematica per muovere la mano verso un obiettivo. L'articolo menziona un trucco intelligente qui: invece di cercare di risolvere un problema matematico gigante e complicato a 7 dimensioni tutto in una volta, lo hanno suddiviso in tre problemi più piccoli e facili a 5 dimensioni (uno per ogni direzione: X, Y, Z). È come cercare di trasportare una scatola pesante; è più facile trasportarla in tre piccoli viaggi piuttosto che in un unico, impossibile sollevamento.
La Squadra Stabilizzatrice (Cervelletto): Questa squadra gestisce la fisica, come la gravità e la quantità di moto, assicurando che il braccio non oscilli troppo selvaggiamente.

4. Le Gambe: Il "Traduttore" (da ANN a SNN)

La parte relativa al camminare del robot è stata originariamente addestrata utilizzando una rete neurale artificiale standard (ANN) — un "normale" cervello informatico che è molto bravo a camminare ma consuma molta energia.

La Sfida: I ricercatori hanno dovuto tradurre questo "cervello normale" nel cervello "a impulsi" (spiking). Il problema è che il cervello originale utilizzava una funzione matematica (ELU) che poteva produrre numeri negativi. I neuroni reali (le lucciole) non possono emettere impulsi negativi; possono solo essere "accesi" o "spenti".
La Soluzione: Hanno creato una squadra ibrida. Hanno usato un gruppo di lucciole per gestire la matematica "positiva" e un gruppo diverso per gestire la matematica "negativa", sommandoli poi tra loro. Questo ha permesso di copiare le capacità di camminata del cervello originale nel cervello a impulsi, più efficiente dal punto di vista energetico.

5. La Prova su Strada

I ricercatori hanno testato questo sistema in una simulazione (un mondo virtuale) utilizzando due diversi programmi software che comunicavano tra loro:

Nengo: Il simulatore del "cervello".
Isaac Sim: Il simulatore della "fisica" (dove il robot cammina e si muove effettivamente).

Cosa hanno visto?

Il robot ha camminato con successo lungo un percorso.
Ha disegnato con successo il numero "8" e il numero "5" con la mano.
Soprattutto, il Poliziotto del Traffico è riuscito a far passare il robot dal camminare al disegnare e viceversa. Quando il robot passava al disegno, i neuroni del "Camminare" diventavano silenziosi e i neuroni del "Disegnare" si attivavano.

Il Punto Fondamentale

Questo articolo sostiene di essere la prima volta che una singola rete neurale spiking unificata controlla sia il camminare che il movimento del braccio su un robot umanoide a grandezza naturale. Dimostra che è possibile avere un robot che passa tra compiti complessi utilizzando un cervello costruito come un sistema nervoso biologico (a impulsi) anziché un normale processore informatico.

Cosa non hanno fatto (secondo l'articolo):

Non hanno ancora testato questo sistema su hardware fisico reale (solo in simulazione).
Non hanno costruito un sistema in cui il robot mantiene l'equilibrio mentre muove le braccia; hanno dovuto "incollare" le anche del robot al terreno per evitare che cadesse mentre disegnava.
Non hanno testato il sistema su terreni irregolari (come scale o rocce); la camminata è stata testata solo su superfici piane.

Sintesi Tecnica: Un'Architettura di Spiking Neural per il Coordinamento del Controllo del Braccio e della Locomozione

Definizione del Problema

Le Reti Neurali Spiking (SNN) accoppiate con l'hardware neuromorfico offrono soluzioni promettenti a basso consumo energetico per il controllo di robot umanoidi. Tuttavia, i sistemi di controllo motorio basati su SNN tipicamente affrontano la locomozione bipede e la manipolazione del braccio in modo isolato. Esiste una mancanza di sistemi di controllo integrati che gestiscano entrambi i comportamenti simultaneamente all'interno di una singola architettura spiking, un prerequisito per un'interazione fisica significativa in ambienti umani. La ricerca attuale spesso tratta queste come compiti separati e concorrenti piuttosto che come una capacità integrata, e pochi sistemi combinano la selezione dell'azione di alto livello con il controllo di forza a basso livello in un framework completamente spiking.

Metodologia

Gli autori presentano un'architettura di controllo spiking unificata per il robot umanoide Unitree H1, utilizzando il Neural Engineering Framework (NEF) e la Semantic Pointer Architecture (SPA). Il sistema è implementato in Nengo e co-simulato con Isaac Sim. L'architettura consiste in tre moduli primari interagenti:

1. Controllo Spiking del Braccio (Modello REACH)

Il controllore del braccio adatta il modello di Recurrent Error-driven Adaptive Control Hierarchy (REACH) a un braccio umanoide a 4 DOF. Impiega un framework di Operational Space Control (OSC) decomposto in tre moduli biologicamente fondati:

Corteccia Somatosensoriale (S1): Codifica lo stato propriocettivo (posizioni articolari, velocità ed posizione dell'end-effector).
Corteccia Motoria Primaria (M1): Calcola le componenti cinematiche, mappando l'errore nello spazio di task verso le coppie articolari tramite il Jacobiano del braccio e la matrice d'inerzia. Per gestire l'alta dimensionalità di un braccio umanoide a 4 DOF nello spazio 3D (uno spazio di input a 7D), gli autori decompongono l'equazione di controllo in tre componenti spaziali indipendenti (X, Y, Z), utilizzando separati ensemble neurali a 5D invece di un singolo ensemble a 7D.
Cervelletto (CB): Gestisce la compensazione dinamica, inclusi lo smorzamento dipendente dalla velocità e la compensazione della gravità. Similmente a M1, l'equazione dinamica è decomposta in termini indipendenti per ogni velocità articolare per ridurre il carico rappresentazionale neurale da uno spazio 8D a quattro ensemble a 5D.

2. Locomozione Bipede Spiking

Il controllore della locomozione approssima una politica di Rete Neurale Artificiale (ANN) pre-addestrata (un MLP a 3 strati con attivazioni ELU) utilizzando SNN.

Conversione ANN-to-SNN: Poiché i neuroni biologici non possono produrre attività negativa (a differenza della funzione di attivazione ELU), gli autori propongono un metodo di conversione innovativo. Ogni unità ELU nascosta è approssimata da un ensemble ibrido: un ensemble di neuroni Leaky Integrate-and-Fire (LIF) per l'emisfero negativo e un ensemble di unità rettificate lineari spiking per l'emisfero positivo.
Dinamiche Temporali: Per stabilizzare la comunicazione basata su spike tra i livelli, le connessioni feedforward sono filtrate con una costante di tempo sinaptica ( $\tau_{fwd} = 2$ ms).
Seguimento del Percorso: Un controllore di seguimento del percorso spiking calcola l'errore tra un percorso di riferimento e lo stato del robot, generando comandi di velocità lineare e rotazione angolare per la rete di policy.

3. Controllo Integrato tramite i Gangli della Base

La selezione dell'azione tra locomozione e controllo del braccio è mediata da un modello di gangli della base spiking biologicamente fondato.

Meccanismo: Il modello utilizza una via diretta (strD1) e una indiretta (strD2) per selezionare le azioni. Il Globus Pallidus Internus (GPi) funge da output inibitorio finale, mantenendo un alto tasso di firing basale che sopprime tutti i comandi motori.
Disinibizione: Quando l'utilità di una specifica azione (ad es. 'WALK' o 'DRAW') aumenta, il corrispondente cluster GPi viene soppresso (disinibito), rilasciando il comportamento motorio selezionato mentre gli altri rimangono inibiti. Ciò consente al sistema di passare dal camminare alla manipolazione del braccio.

Contributi Chiave

Controllore Spiking Integrato: Questo è il primo controllore spiking integrato che combina la locomozione bipede e il controllo del braccio su una piattaforma umana a scala reale (Unitree H1). Dimostra con successo il passaggio tra camminare e disegnare/raggiungere tramite la disinibizione dei gangli della base.
Modello REACH Adattato: Gli autori dimostrano che il modello REACH del controllo del braccio biologico può essere adattato a una piattaforma umana a scala reale, utilizzando la decomposizione della dimensionalità per gestire il carico computazionale del controllo dello spazio operativo 3D in neuroni spiking.
Nuova Conversione ANN-to-SNN: Il documento propone un metodo per convertire le politiche di locomozione ANN pre-addestrate con attività negativa (specificamente non-linearità ELU) in equivalenti spiking. Ciò comporta un approccio a ensemble ibrido (LIF per il negativo, simile a ReLU per il positivo) e il filtraggio sinaptico per gestire le dinamiche temporali in un regime di controllo a ciclo chiuso.

Risultati

Il sistema è stato validato attraverso la co-simulazione di Nengo (controllo neurale) e Isaac Sim (fisica):

Controllo del Braccio: Il sistema ha eseguito con successo il raggiungimento di un target (mantenendo la posizione dell'end-effector entro 4 cm da un obiettivo) e il disegno continuo di cifre (tracciando un '5' e un '8'). Il controllore spiking ha minimizzato efficacementamente la discrepanza spaziale e ha tracciato le traiettorie di riferimento.
Locomozione: L'approssimazione spiking della policy ANN ha ottenuto una camminata stabile su terreno pianeggiante. Sebbene la policy spiking abbia mostrato lievi perturbazioni del centro di massa e oscillazioni minori rispetto all'ANN di riferimento, ha seguito con successo i percorsi predefiniti. Gli studi di ablazione hanno confermato che il silenziare il 50% degli ensemble causava una cessazione abrupta delle oscillazioni naturali del passo, verificando il ruolo causale della rete spiking.
Selezione dell'Azione: Il modulo dei gangli della base ha mediato con successo le transizioni tra la locomozione e il controllo del braccio. L'attività neurale nello striato (strD1) ha tracciato i segnali di utilità e il GPi ha esibito i pattern di disinibizione attesi, rilasciando pulitamente la sequenza motoria selezionata mentre sopprimeva l'altra.

Significato e Rivendicazioni

Gli autori affermano che questo lavoro rappresenta il primo controllore spiking integrato capace di eseguire il controllo di locomozione e del braccio, e di passare fluidamente dall'uno all'altro, su un umanoide a scala reale.

Impatto Scientifico: Il lavoro unifica camminata, disegno e cambio di stato all'interno di una singola architettura spiking. La decomposizione dei calcoli cinematici e dinamici ad alta dimensionalità in ensemble a dimensionalità inferiore è rivendicata come un miglioramento del rapporto segnale-rumore e della precisione di decodifica.
Avanzamento Metodologico: La riuscita approssimazione non-negativa della non-linearità ELU nella policy di controllo a ciclo chiuso è presentata come un significativo ampliamento delle precedenti linee di conversione ANN-to-SNN (che si concentravano su modelli di visione feedforward).
Implementazione Futura: L'implementazione completa basata su spike è evidenziata come un elemento che abilita il futuro dispiegamento su hardware neuromorfico a basso consumo.

Il documento riconosce i limiti, notando che la stabilità posturale durante il controllo del braccio è attualmente garantita da un ancoraggio architettonico (fissando il bacino al suolo) piuttosto che da dinamiche neurali emergenti, e che la policy di locomozione è attualmente limitata a terreni pianeggianti.