Spiking Residual Control with Decoupled Event Allocation and Lyapunov-Constrained Execution
本文介绍了 LyCo-SNN，这是一个通过使用解耦事件分配和李雅普诺夫约束执行来有效增强结构化反馈的控制框架，该框架将脉冲神经网络与基于模型的观测器-LQR控制器相结合，用于在存在未建模动力学的条件下处理机器人操作和飞行任务。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
追求精准移动的机器人正面临着与混乱的物理世界进行持续斗争的困境。即使是设计最精密的机器，在面对意外力量的冲击、零件磨损或用于预测运动的数学模型与现实不符时，也会显得力不从心。为了保持机械臂的稳定或无人机的悬停，工程师们传统上依赖于结构化反馈：一套用于不断检查机器人位置并纠正路径的刚性规则。这在可预测的情况下表现良好，但当环境抛出“变数”时，它往往会失效。近年来，科学家们转向了一种受人类大脑启发的不同类型的智能，即脉冲神经网络（spiking neural networks）。与连续处理信息的标准计算机程序不同，这些网络仅在必要时才发射信号，像大脑中的神经元一样发送短暂的活动脉冲。这使得它们既高效又具有响应性，但如何利用它们来修复机器人的运动而不破坏其现有的控制系统，一直是一个难题。挑战在于，如何让这种新型的、灵活的智能在提供修正的同时，不会覆盖掉那些维持机器安全运行的可靠且经过验证的规则。
北京科技大学的一位研究人员针对这一问题开发了一种解决方案，创建了一个让脉冲神经网络充当“得力助手”而非“替代品”的系统。他们将这一成果命名为 LyCo-SNN。该系统并没有让神经网络完全接管机器人的指令，而是保持传统的结构化控制器处于主导地位。神经网络的任务是监听机器人的传感器，检测何时出现了问题——例如意外的风 gust 或电机功率下降——并提出一个微小且具体的修正方案。研究人员设计了一个安全过滤器，用于检查神经网络提出的每一个建议。这个过滤器确保任何建议的变更都能真正帮助机器人保持航向，而绝不会将其推入危险状态。如果某个建议看起来具有风险，过滤器就会将其规模缩小或直接忽略，从而让机器人依靠其标准规则运行。这种方法将“想法的生成”与“动作的执行”分离，确保了即使在神经网络正在学习或应对新问题时，机器人依然能保持稳定。
为了测试这一构想，研究人员通过一系列严格的模拟实验对两种截然不同的机器人进行了测试：一个七关节机械臂和一个四旋翼无人机。他要求系统遵循复杂的连续路径，同时引入各种挑战。在一种场景中，机械臂必须在受到一股沉重的无形力量挤压时，依然绘制出一条平滑的曲线。在另一种场景中，无人机必须飞过一个特定的环路，而此时它的四个旋翼之一突然损失了 30% 的动力。研究人员将他的新系统与其他几种方法进行了对比，包括标准控制器本身以及其他类型的神经网络。结果显示，LyCo-SNN 系统在保持机器人按预期路径行驶方面显著优于其他方法。当机械臂面临沉重的外部推力时，新系统的平均位置误差保持在 24.603 毫米，相比之下，标准控制器的偏移量要大得多。同样，当无人机发生电机故障时，新系统将位置误差维持在仅 0.1093 米，远优于其他测试方法。
这些结果之所以特别引人注目，是因为该系统在实现目标时并未浪费能量或变得混乱。研究人员发现，神经网络并不需要持续发射信号就能发挥作用。在无人机测试中，网络在正常飞行期间仅在约 7.48% 的时间内发射脉冲，甚至在电机失效时，其活动频率也仅增加到了 9.47%。这种低水平的活动表明该系统具有极高的效率，仅在真正有用的时刻才“开口说话”。此外，安全过滤器起到了至关重要的作用。在机械臂测试中，过滤器经常需要大幅度削减神经网络建议的大小，将其缩减到原始强度的约 20% 后再予以应用。这表明，虽然神经网络在活跃地产生许多想法，但过滤器仔细筛选了其中最合适的成分，以确保机器人的运动平稳。在无人机测试中，由于飞行条件更为宽松，过滤器允许几乎所有的建议通过，缩放比例接近 100%。
研究还揭示了该系统在专注于特定类型的误差时效果最佳。通过在一系列测试中移除神经网络，研究人员观察到，最大的改进来自于机器人维持空间预定路径的能力，而非其姿态控制的完美程度。例如，当无人机失去动力时，带有神经网络的系统比没有神经网络的系统更能让无人机的位置保持在目标附近，尽管其倾斜角度可能略逊于某些其他方法。这种权衡表明，该系统特别擅长针对外部力量来修正机器人的物理运动，而非精细调整每一个内部角度。研究人员还证实，系统的安全机制按预期发挥了作用；在每一次模拟中，过滤器都成功阻止了任何违反稳定性数学保证的指令。
最终，这项工作证明了将类脑计算的适应性与传统工程的可靠性相结合是完全可能的。研究人员展示了脉冲神经网络可以在不夺取维持安全系统控制权的前提下，学会修复机器人的错误。通过将“生成修正”与“执行修正”分离，他们创造了一个框架，使机器人在面对从机械臂上的重载到无人机电机失效等各种意外干扰时，依然能够保持鲁棒性。这些发现基于模拟实验，这意味着它们代表了一个高度受控的环境，但不同机器人和不同类型故障下结果的一致性，表明了一条充满前景的发展路径。该系统证明了机器人可以既具备严谨的安全保障，又具备灵活的智能，通过高效且微小的脉冲活动，在世界变得过于混乱、无法仅靠规则应对时，及时修正航向。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。