💻 computer science

A Spiking Neural Architecture for Coordinating Arm and Locomotor Control

Dit artikel presenteert de eerste geïntegreerde spiking neurale architectuur die bipedale locomotie en armcontrole op een full-scale humanoïde robot coördineert met behulp van een biologisch gefundeerd basale ganglia-model voor actieselectie, gevalideerd via co-simulatie in Nengo en Isaac Sim om energiezuinige, neuromorfische gereedheid van de controle aan te tonen.

Oorspronkelijke auteurs: Lea Steffen, Kathryn Simone, Graeme Damberger, Travis DeWolf, Hudson Ly, Chris Eliasmith

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lea Steffen, Kathryn Simone, Graeme Damberger, Travis DeWolf, Hudson Ly, Chris Eliasmith

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een robot voor die moet handelen als een mens: het moet over straat lopen terwijl het tegelijkertijd een tekening maakt met zijn hand. Normaal gesproken bouwen wetenschappers de "hersenen" voor het lopen en de "hersenen" voor het bewegen van de arm als twee aparte, geïsoleerde systemen. Ze werken prima op zichzelf, maar ze praten niet met elkaar.

Dit artikel introduceert een nieuw, verenigd "brein" voor een robot (specifiek de Unitree H1 humanoid) dat beide taken tegelijk kan uitvoeren en er direct tussen kan schakelen. Het meest opwindende deel? Dit brein is volledig gebouwd uit Spiking Neural Networks (SNNs).

Hier is een uitsplitsing van hoe het werkt, met behulp van eenvoudige analogieën:

1. De Hersenen: Een Netwerk van Vliegjes

De meeste computerbreinen (zoals die in je telefoon) werken als een constante stroom van elektriciteit die constant getallen berekent. Dit nieuwe systeem werkt als een zwerm vuurvliegjes.

Spiking: In plaats van een constante brom, zijn de neuronen stil totdat ze een bericht moeten verzenden, waarbij ze op dat moment een klein elektrisch vonkje ("spike") afgeven.
Waarom dit belangrijk is: Net zoals vuurvliegjes alleen flitsen wanneer dat nodig is, gebruikt dit systeem heel weinig energie. Het is ontworpen om efficiënt genoeg te zijn om in de toekomst op speciale, energiezuinige hardware te draaien.

2. De Manager: De "Verkeersregelaar" (Basale Ganglia)

Hoe weet de robot of hij moet lopen of tekenen? Hij gebruikt een deel van de hersenen dat de Basale Ganglia wordt genoemd, wat fungeert als een Verkeersregelaar of een Telefooncentrale.

De Taak: De robot heeft twee hoofdtaken: "Lopen" en "Tekenen". De Verkeersregelaar kijkt naar de situatie en beslist welke taak groen licht krijgt.
Het Mechanisme: Stel je voor dat het "Loop"-signaal en het "Teken"-signaal allebei proberen door een vergrendelde deur te gaan. De Verkeersregelaar houdt beide deuren standaard vergrendeld (geremd). Wanneer het tijd is om te lopen, ontgrendelt de Verkeensregelaar de "Loop"-deur en houdt de "Teken"-deur vergrendeld. Dit wordt disinhibitie genoemd.
Het Resultaat: De robot kan soepel stoppen met tekenen, zijn arm veilig intrekken, beginnen met lopen, en dan weer terugschakelen naar tekenen zonder om te vallen of in de war te raken.

3. De Armen: Het "Spiergeheugen" (REACH Model)

Om de arm te besturen, gebruikten de onderzoekers een model genaamd REACH, dat nabootst hoe menselijke hersenen armen aansturen. Ze deelden het brein op in drie gespecialiseerde teams:

Het Sensorische Team (S1): Dit team voelt waar de arm zich op dit moment bevindt (zoals je ogen je hersenen vertellen waar je hand is).
Het Planner-Team (M1): Dit team berekent de wiskunde om de hand naar een doelwit te bewegen. Het artikel vermeldt een slimme truc hier: in plaats van te proberen in één keer een gigantisch, ingewikkeld 7-dimensionaal wiskundig probleem op te lossen, braken ze het op in drie kleinere, makkelijkere 5-dimensionale problemen (één voor elke richting: X, Y, Z). Het is alsof je een zware doos draagt; het is makkelijker om deze in drie kleinere ritten te dragen dan in één gigantische, onmogelijke lift.
Het Stabilisatieteam (Cerebellum): Dit team gaat om met de fysica, zoals zwaartekracht en momentum, om ervoor te zorgen dat de arm niet te wild heen en weer zwaait.

4. De Benen: De "Vertaler" (ANN naar SNN)

Het loopgedeelte van de robot werd oorspronkelijk getraind met een standaard Artificieel Neuraal Netwerk (ANN)—een "normaal" computerbrein dat erg goed is in lopen maar veel stroom verbruikt.

De Uitdaging: De onderzoekers moesten dit "normale" brein vertalen naar het "vuurvliegjes"-brein (spiking brain). Het probleem was dat het originele brein een wiskundige functie (ELU) gebruikte die negatieve getallen kon produceren. Echte neuronen (vuurvliegjes) kunnen niet negatief vuren; ze kunnen alleen "aan" of "uit" zijn.
De Oplossing: Ze creëerden een hybride team. Ze gebruikten één groep vuurvliegjes om de "positieve" wiskunde af te handelen en een andere groep voor de "negatieve" wiskunde, en telden de resultaten vervolgens bij elkaar op. Hierdoor konden ze de loopvaardigheden van het originele brein te kopiëren naar het energiezuinige spiking brein.

5. De Proefrit

De onderzoekers testten dit systeem in een simulatie (een virtuele wereld) met behulp van twee verschillende softwareprogramma's die met elkaar communiceerden:

Nengo: De "brein"-simulator.
Isaac Sim: De "fysica"-simulator (waar de robot daadwerkelijk loopt en beweegt).

Wat zagen ze?

De robot liep succesvol een pad af.
De robot tekende succesvol het cijfer "8" en het cijfer "5" met zijn hand.
Het belangrijkste was dat de Verkeersregelaar de robot succesvol liet schakelen van lopen naar tekenen en weer terug. Wanneer de robot overschakelde naar tekenen, werden de "Loop"-neuronen stil en werden de "Teken"-neuronen geactiveerd.

De Kernboodschap

Dit artikel beweert dat dit de eerste keer is dat een enkel, verenigd spiking neuraal netwerk zowel lopen als armbewegingen aanstuurde op een volwaardige humanoïde robot. Het bewijst dat je een robot kunt hebben die tussen complexe taken schakelt met een brein dat gebouwd is als een biologisch zenuwstelsel (spiking) in plaats van een standaard computerprocessor.

Wat ze niet hebben gedaan (volgens het artikel):

Ze hebben dit nog niet getest op echte, fysieke hardware (alleen in simulatie).
Ze hebben geen systeem gebouwd waarbij de robot zichzelf in evenwicht houdt tijdens het bewegen van zijn armen; ze moesten de heupen van de robot aan de grond "vastlijmen" om te voorkomen dat hij zou vallen terwijl hij tekende.
Ze hebben dit niet getest op oneffen terrein (zoals trappen of rotsen); het lopen werd alleen getest op vlakke oppervlakken.

Technische Samenvatting: Een Spiking Neurale Architectuur voor de Coördinatie van Arm- en Locomotiecontrole

Probleemstelling

Spiking Neural Networks (SNN's) gekoppeld aan neuromorfische hardware bieden veelbelovende energiezuinige oplossingen voor de controle van humanoïde robots. De huidige SNN-gebaseerde motorische controlesystemen richten zich echter doorgaans op bipedale locomotie en armmanipulatie in isolatie. Er is een gebrek aan geïntegreerde controlesystemen die beide gedragingen gelijktijdig beheren binnen een enkele spiking architectuur, een vereiste voor betekenisvolle fysieke interactie in menselijke omgevingen. Huidig onderzoek behandelt deze vaak als afzonderlijke gelijktijdige taken in plaats van een geïntegreerde capaciteit, en weinig systemen combineren hoogwaardige acteselectie met laag-niveau krachtgebaseerde controle binnen een volledig spiking framework.

Methodologie

De auteurs presenteren een verenigde spiking controle-architectuur voor de Unitree H1 humanoïde robot, gebruikmakend van het Neural Engineering Framework (NEF) en de Semantic Pointer Architecture (SPA). Het systeem is geïmplementeerd in Nengo en co-gesimuleerd met Isaac Sim. De architectuur bestaat uit drie primaire interagerende modules:

1. Spiking Arm Control (REACH Model)

De armcontroller past het Recurrent Error-driven Adaptive Control Hierarchy (REACH) model aan voor een 4-DOF humanoïde arm. Het maakt gebruik van een Operational Space Control (OSC) framework dat is gedecomposeerd in drie biologisch gefundeerde modules:

Somatosensorische Cortex (S1): Codeert de proprioceptieve staat (gewrichtsposities, snelheden en de positie van de end-effector).
Primaire Motorische Cortex (M1): Berekent de kinematische componenten en brengt de taakruimte-fout in kaart naar gewrichtstorsies via de arm-Jacobiaan en de traagheidsmatrix. Om de hoge dimensionaliteit van een 4-DOF arm in 3D-ruimte (een 7D inputruimte) te hanteren, hebben de auteurs de controlevergelijking gedecomposeerd in drie onafhankelijke ruimtelijke componenten (X, Y, Z), waarbij gebruik wordt gemaakt van afzonderlijke 5D neurale ensembles in plaats van één enkel 7D ensemble.
Cerebellum (CB): Verwerkt dynamische compensatie, inclusief snelheid-afhankelijke demping en zwaartekrachtcompensatie. Net als bij M1 is de dynamische vergelijking gedecomposeerd in onafhankelijke termen per gewrichtssnelheid om de neurale representatielast te verminderen van een 8D ruimte naar vier 5D ensembles.

2. Spiking Bipedal Locomotion

De locomotiecontroller benadert een vooraf getraind Artificieel Neuraal Netwerk (ANN) beleid (een 3-laagse MLP met ELU-activaties) met behulp van SNN's.

ANN-naar-SNN Conversie: Omdat biologische neuronen geen negatieve activiteit kunnen produceren (in tegenstelling tot de ELU-activatiefunctie), stellen de auteurs een nieuwe conversiemethode voor. Elke ELU-eenheid wordt benaderd door een hybride ensemble: één ensemble van Leaky Integrate-and-Fire (LIF) neuronen voor de negatieve helfte van de ruimte en één van spiking rectified linear units voor de positieve helft.
Temporele Dynamiek: Om de spike-gebaseerde communicatie tussen lagen te stabiliseren, worden feedforward-verbindingen gefilterd met een synaptische tijdconstante ( $\tau_{fwd} = 2$ ms).
Padvolging: Een spiking padvolgende controller berekent de fout tussen een referentiepad en de robotstatus, wat commando's genereert voor voorwaartse snelheid en hoekrotatie voor het beleidsnetwerk.

3. Geïntegreerde Controle via de Basale Ganglia

Acteselectie tussen locomotie en armcontrole wordt bemiddeld door een biologisch gefundeerd spiking basale ganglia-model.

Mechanisme: Het model gebruikt een directe (strD1) en indirecte (strD2) route om acties te selecteren. De Globus Pallidus Internus (GPi) fungeert als een definitieve inhibitoire output, die een hoge basis-vurendheid handhaaft die alle motorische commando's onderdrukt.
Disinhibitie: Wanneer de nuttigheid van een specifieke actie (bijv. 'WALK' of 'DRAW') toeneemt, wordt de overeenkomstige GPi-cluster onderdrukt (gedisinhibeerd), waardoor het geselecteerde motorische gedrag vrijkomt terwijl andere gedragingen geïnhibeerd blijven. Dit stelt het systeem in staat om te schakelen tussen lopen en armmanipulatie.

Belangrijkste Bijdragen

Geïntegreerde Spiking Controller: Dit is de eerste geïntegreerde spiking controller die bipedale locomotie en armcontrole combineert op een full-scale humanoïde platform (Unitree H1). Het demonstreert succesvol het schakelen tussen lopen en tekenen/reiken via basale ganglia-disinhibitie.
Aangepast REACH Model: De auteurs laten zien dat het REACH-model van biologische armcontrole kan worden aangepast aan een full-scale humanoïde platform, waarbij dimensionaliteitsdecompositie wordt gebruikt om de computationele last van 3D operational space control in spiking neuronen te beheersen.
Nieuwe ANN-naar-SNN Conversie: Het artikel stelt een methode voor om vooraf getrainde ANN-locomotiebeleid met negatieve activiteit (specifiek ELU niet-lineariteiten) te converteren naar spiking equivalenten. Dit omvat een hybride ensemble-aanpak (LIF voor negatief, ReLU-achtig voor positief) en synaptische filtering om de temporele dynamiek in een closed-loop controle-regime te behandelen.

Resultaten

Het systeem werd gevalideerd via co-simulatie van Nengo (neurale controle) en Isaac Sim (fysica):

Arm Control: Het systeem voerde succesvol doelgericht reiken uit (het behouden van de end-effector positie binnen 4 cm van een doel) en continue digitale tekeningen (het traceren van een '5' en een '8'). De spiking controller minimaliseerde effectief de ruimtelijke discrepantie en volgde referentietrajecten.
Locomotion: De spiking benadering van het ANN-beleid bereikte stabiel lopen op vlak terrein. Hoewel het spiking beleid iets grotere verstoringen in het zwaartepunt en minder kleine oscillaties vertoonde vergeleken met het referentie-ANN, volgde het succesvol vooraf gedefinieerde paden. Ablatie-studies bevestigden dat het stilleggen van 50% van de ensembles leidde tot een abrupte stopzetting van natuurlijke looposcillaties, wat de causale rol van het spiking netwerk verifieert.
Acteselectie: Het basale ganglia-module bemiddelde succesvol de overgangen tussen lopen en armcontrole. De neurale activiteit in de striatum (strD1) volgde de nuttsignalen, en de GPi vertoonde de verwachte disinhibitiepatronen, waardoor de geselecteerde motorische sequentie netjes werd vrijgegeven terwijl de andere werd onderdrukt.

Betekenis en Claims

De auteurs beweren dat dit werk de eerste geïntegreerde spiking controller vertegenwoordigt die in staat is tot locomotie en armcontrole uit te voeren, en soepel tussen de twee te schakelen op een full-scale humanoïde.

Wetenschappelijke Impact: Het werk verenigt lopen, tekenen en state-switching binnen een enkele spiking architectuur. De decompositie van hoog-dimensionale kinematische en dynamische berekeningen in onafhankelijke lager-dimensionale ensembles wordt beweerd de signaal-ruisverhouding en decodeernauwkeurigheid te verbeteren.
Methodologische Vooruitgang: De succesvolle niet-negatieve benadering van de ELU-niet-lineariteit in een closed-loop controlebeleid wordt gepresenteerd als een significante uitbreiding van eerdere ANN-naar-SNN conversie-lijnen (die zich richtten op feedforward visuele modellen).
Toekomstige Implementatie: De volledige spike-gebaseerde implementatie wordt benadrukt als een mogelijkheid voor toekomstige implementatie op energiezuinige neuromorfische hardware.

Het artikel erkent beperkingen, waarbij wordt opgemerkt dat de houdingsstabiliteit tijdens armcontrole momenteel wordt afgedwongen door een architecturale anker (het verankeren van het bekken) in plaats van emergente neurale dynamiek, en dat het locomotiebeleid momenteel beperkt is tot vlak terrein.