Resumo Técnico: Uma Arquitetura de Espículas para Coordenação de Controle de Braço e Locomoção

Definição do Problema

Redes Neurais de Espículas (SNNs), acopladas a hardware neuromórfico, oferecem soluções promissoras de baixo consumo de energia para o controle de robôs humanoides. No entanto, os sistemas de controle motor baseados em SNN existentes geralmente abordam a locomoção bípede e a manipulação de braços de forma isolada. Há uma falta de sistemas de controle integrados que gerenciem ambos os comportamentos simultaneamente dentro de uma única arquitetura de espículas, um pré-requisito para a interação física multietapa significativa em ambientes humanos. A pesquisa atual frequentemente trata essas como tarefas concorrentes separadas, em vez de uma capacidade integrada, e poucos sistemas combinam a seleção de ação de alto nível com o controle de força de baixo nível em um framework totalmente baseado em espículas.

Metodologia

Os autores apresentam uma arquitetura de controle de espículas unificada para o robô humanoide Unitree H1, utilizando o Neural Engineering Framework (NEF) e a Semantic Pointer Architecture (SPA). O sistema é implementado no Nengo e co-simulado com o Isaac Sim. A arquitetura consiste em três módulos primários que interagem entre si:

1. Controle de Braço por Espículas (Modelo REACH)

O controlador de braço adapta o modelo de Hierarquia de Controle Adaptativo por Erro Recorrente (REACH) para um braço humanoide de 4 graus de liberdade (DOF). Ele emprega um framework de Controle de Espaço Operacional (OSC) decomposto em três módulos biologicamente fundamentados:

• Córtex Somatossensorial (S1): Codifica o estado proprioceptivo (posições das articulações, velocidades e posição do efetuador final).
• Córtex Motor Primário (M1): Computa componentes cinemáticos, mapeando o erro do espaço de tarefa para torques articulares via Jacobiano do braço e matriz de inércia. Para lidar com a alta dimensionalidade de um braço de 4 DOF no espaço 3D (um espaço de entrada de 7D), os autores decompõem a equação de controle em três componentes espaciais independentes (X, Y, Z), utilizando conjuntos neurais (ensembles) separados de 5D em vez de um único conjunto de 7D.
• Cerebelo (CB): Lida com a compensação dinâmica, incluindo amortecimento dependente da velocidade e compensação de gravidade. Semelhante ao M1, a equação de dinâmica é decomposta em termos independentes por velocidade articular para reduzir a carga representacional neural de um espaço de 8D para quatro conjuntos de 5D.

2. Locomoção Bípede por Espículas

O controlador de locomoção aproxima uma política de Rede Neural Artificial (ANN) pré-treinada (um MLP de 3 camadas com ativações ELU) usando SNNs.

• Conversão ANN-para-SNN: Como neurônios biológicos não podem produzir atividade negativa (ao contrário da função de ativação ELU), os autores propõem um método de conversão inovador. Cada unidade oculta ELU é aproximada por um conjunto híbrido: um conjunto de neurônios Leaky Integrate-and-Fire (LIF) para o semiespaço negativo e um conjunto de unidades lineares retificadas por espículas (ReLU-like) para o semiespaço positivo.
• Dinâmica Temporal: Para estabilizar a comunicação baseada em espículas entre as camadas, as conexões feedforward são filtradas com uma constante de tempo sináptica ($\tau_{fwd} = 2$ ms).
• Seguimento de Caminho: Um controlador de seguimento de caminho por espículas computa o erro entre um caminho de referência e o estado do robô, gerando comandos de velocidade frontal e rotação angular para a rede da política.

3. Controle Integrado via Gânglios da Base

A seleção de ação entre locomoção e controle de braço é mediada por um modelo de gânglios da base baseado em espículas.

• Mecanismo: O modelo utiliza uma via direta (strD1) e uma via indireta (strD2) para selecionar ações. O Globo Pálido Interno (GPi) atua como uma saída inibitória final, mantendo uma alta taxa de disparo basal que suprime todos os comandos motores.
• Desinibição: Quando a utilidade de uma ação específica (ex: 'CAMINHAR' ou 'DESENHAR') aumenta, o respectivo cluster do GPi é suprimido (desinibido), liberando o comportamento motor selecionado enquanto os outros permanecem inibidos. Isso permite que o sistema alterne entre caminhar e manipular o braço.

Principais Contribuições

1. Controlador de Espículas Integrado: Este é o primeiro controlador de espículas integrado que combina locomoção bípede e controle de braço em uma plataforma humana completa (Unitree H1). Demonstra com sucesso a alternância entre caminhar e desenhar/alcançar via desinibição dos gânglios da base.
2. Modelo REACH Adaptado: Os autores demonstram que o modelo REACH de controle de braço biológico pode ser adaptado para uma plataforma humana de escala real, utilizando a decomposição de dimensionalidade para gerenciar a carga computacional do controle de espaço operacional 3D em neurônios de espículas.
3. Nova Conversão ANN-para-SNN: O artigo propõe um método para converter políticas de locomoção de ANN pré-treinadas com atividade negativa (especificamente não-linearidades ELU) em equivalentes de espículas. Isso envolve uma abordagem de conjunto híbrido (LIF para o negativo, ReLU-like para o positivo) e filtragem sináptica para lidar com dinâmicas temporais em um regime de controle em malha fechada.

Resultados

O sistema foi validado através de co-simulação de Nengo (controle neural) e Isaac Sim (física):

• Controle de Braço: O sistema realizou com sucesso o alcance de alvo (mantendo o efetuador final dentro de 4 cm de um alvo) e o desenho contínuo de dígitos (traçando um '5' e um '8'). O controlador de espículas minimizou efetivamente a discrepância espacial e rastreou trajetórias de referência.
• Locomoção: A aproximação por espículas da política ANN alcançou caminhada estável em terreno plano. Embora a política de espículas tenha mostrado perturbações de centro de massa ligeiramente maiores e oscilações menores em comparação com a ANN de referência, ela seguiu com sucesso caminhos pré-definidos. Estudos de ablação confirmaram que o silenciamento de 50% dos conjuntos causou uma interrupção abrupta das oscilações naturais da marcha, verificando o papel causal da rede de espículas.
• Seleção de Ação: O módulo dos gânglios da base mediou com sucesso as transições entre locomoção e controle de braço. A atividade neural no estriado (strD1) acompanhou os sinais de utilidade, e o GPi exibiu os padrões de desinibição esperados, liberando de forma limpa a sequência motora selecionada enquanto suprimia a outra.

Significância e Alegações

Os autores afirmam que este trabalho representa o primeiro controlador de espículas integrado capaz de realizar locomoção e controle de braço, e alternar suavemente entre os dois, em um humano de escala real.

• Impacto Científico: O trabalho unifica caminhada, desenho e troca de estado dentro de uma única arquitet verdadeiramente baseada em espículas. A decomposição de computações cinemáticas e dinâmicas de alta dimensão em conjuntos independentes de menor dimensão é alegada para melhorar a relação sinal-ruído e a precisão da decodificação.
• Avanço Metodológico: A aproximação bem-sucedida da não-negatividade da não-linearidade ELU em uma política de controle em malha fechada é apresentada como uma extensão significativa das linhagens anteriores de conversão ANN-para-SNN (que focavam em modelos de visão feedforward).
• Implantação Futura: A implementação completa baseada em espículas é destacada como permitindo a futura implantação em hardware neuromórfico de baixo consumo de energia.

O artigo reconhece limitações, observando que a estabilidade postural durante o controle do braço é atualmente garantida por uma âncora arquitetônica (fixação da pelve ao solo) em vez de dinâmicas neurais emergentes, e que a política de locomoção é atualmente limitada a terrenos planos.