生成式人工智能模仿人类动作

一组研究者通过创新方法，结合脊髓中枢模式发生器（CPGs）和深度强化学习（DRL），成功克服了在机器人中再现人类运动的一些挑战。他们的成果发表在2024年4月15日的《IEEE机器人与自动化信函》上。这一方法不仅能够模仿步行和奔跑动作，还能够在缺乏运动数据的频率生成动作，实现步行到奔跑的平稳过渡，并适应不稳定地表环境。

步行和奔跑涉及固有的生物冗余，使我们能够适应环境或改变步行/奔跑速度。由于其复杂性，将这些类似人类的运动再现在机器人中是极具挑战性的。目前的模型往往难以适应未知或具有挑战性的环境，这使它们的效率和效果降低。

深度强化学习（DRL）是一种研究人员试图克服这一挑战的方式。它通过利用深度神经网络处理更复杂的任务，直接从原始感官输入中学习，从而实现更灵活、强大的学习能力。然而，其缺点是探索广阔的输入空间需要巨大的计算成本，尤其是当系统具有高自由度时。

另一个方法是模仿学习，即机器人通过模仿来自人类执行相同运动任务的运动测量数据进行学习。虽然模仿学习擅长在稳定环境中学习，但面对未知情况或训练中未遇到的环境时，其能力受到限制。

为了克服这些局限性，研究人员将两种方法结合起来。他们利用模仿学习来训练类似CPG的控制器，将深度学习应用于支持CPG的反射神经网络。

该研究团队由来自东北大学工程研究生院和瑞士洛桑联邦理工学院的成员组成。他们的成果代表了机器人控制领域生成AI技术发展的重要进展，具有潜在的广泛应用价值。