Geo-Reflex: Geometry-Gated Spiking Visuomotor Policy Learning for High-Frequency Robot Manipulation

追求人类般速度与精准度的机器人面临着一个根本性的问题：它们的眼睛和肌肉并不使用同一种语言。赋予机器人视觉的摄像头通常每秒只能更新十到三十次世界视图，而控制其关节的电机则需要每秒调整数百次位置才能保持稳定与安全。多年来，工程师们一直试图通过强迫缓慢的相机数据与快速的肌肉数据在时间上完美对齐来解决这一问题，这本质上是让机器人在能够移动之前等待摄像头跟上进度。这种方法丢弃了那些能告诉机器人何时即将接触到物体的快速、瞬时信息，往往导致动作笨拙或延迟。

东莞理工学院的研究团队提出了一种处理这种不匹配的不同方法，即将机器人的视觉与运动视为两个独立但相互关联的流，而非一个单一的、同步的数据块。他们开发了一种名为 Geo-Reflex 的新型控制系统，该系统利用一种受大脑启发的计算方式，让机器人的快速运动关节能够即时反应，同时仅利用较慢的摄像机图像来决定在哪里投入注意力。该系统并非在机器人每次移动时都向其输入完整的世界图像，而是通过观察摄像头视野中物体的形状和边缘来设定灵敏度水平。当机器人的手臂移动到锐利的边缘或角落附近时，系统会对手臂位置的微小变化变得高度敏感。当手臂在平坦、空旷的空间移动时，系统则会忽略视觉噪声，只专注于平滑的运动。这使得机器人在无需等待新帧图像的情况下也能高速移动，同时仍能利用视觉信息将手精确引导至目标位置。

研究人员在一个由配备深度传感摄像头的类人手臂记录的真实机器人运动数据集上测试了这一想法。他们将这种新系统与几种现有方法进行了对比，包括等待同步数据的标准人工智能模型，以及其他不使用这种特殊视觉门控机制的类脑网络。结果表明，这种新方法在预测正确的手臂运动方面显著更加准确。在测试中，该系统的误差比表现最好的前代方法还要少（虽然差距微小但始终如一），并且比尝试同时处理所有数据的标准类脑网络要准确得多。或许更重要的一点是，新系统的高效性更高。它仅在必要时（即机器人的手臂靠近物体的几何边缘时）才发出内部信号，而不是持续发射信号。这种选择性的活动使系统处理的信号数量比旧方法减少了约百分之三十五，这表明机器人可以运行得更快且消耗更少的能量。

要理解其工作原理，观察系统如何处理信息会有所帮助。摄像头拍摄图像并立即将其分解以寻找物体的轮廓，同时忽略可能产生干扰的颜色和纹理。这些轮廓随后被用于调整机器人内部决策神经元的“阈值”。可以将这个阈值想象成一个控制神经元发送信号难易程度的闸门。在摄像头看到清晰边缘的区域，闸门降低，使神经元对手臂的微小移动变得非常敏感。在摄像头看到平坦、无特征背景的区域，闸门升高，告知神经元忽略细微的波动。这意味着机器人的快速运动关节可以继续每秒更新数百次位置，但视觉系统仅在场景几何结构要求精细化操作时才会介入以微调动作。该系统还包含一条针对平滑、可预测运动的直接路径，确保机器人不会对视觉噪声产生过度反应。

研究人员还测试了在视觉输入混乱或存在噪声（模拟光照不足或摄像头畸变）的情况下，该系统的表现如何。在这些困难条件下，新系统保持准确性的能力远强于其他系统，其性能下降程度仅为标准类脑网络的一半。这表明，通过仅关注世界的几何结构而非原始像素数据，机器人对于那些常令其他系统困惑的视觉误差变得更加鲁棒。此外，当研究人员模拟了一个机器人需要基于当前状态预测未来一系列动作的情景时，新系统的误差累积速度明显慢于竞争对手。这表明该方法有助于机器人随着时间的推移保持对自身动作的稳定理解，这对于需要长链条精密动作的任务至关重要。

研究人员承认，他们的这项工作是使用记录自机器人的数据而非在现实世界中执行任务的实时机器人进行测试的，因此结果展示的是系统预测动作的能力，而非证明其能在物理环境中成功抓取物体。然而，该方法在多次测试中的一致性以及在效率上的明显提升表明，这种结合视觉与运动的方式是未来的一个极具前景的方向。通过让机器人的快速内部时钟独立运行，同时仅利用较慢的摄像机来设定参与规则，Geo-Reflex 为长期限制机器人速度与灵巧度的时序不匹配问题提供了一个实用的解决方案。研究结果表明，为了让机器人像人类一样流畅地运动，它们可能需要停止尝试让视觉与运动保持完全相同的速度，而是学会让眼睛仅在世界的形状需要时才引导双手。