自组织的神经网络,通过深度强化学习来复制人类姿势模式交替

科学领域:

• 机器人和控制系统 机器人和控制系统
• 计算神经科学是一种神经科学.
• 人类运动控制人体运动控制

背景情况:

• 姿势协调涉及在相位和反相位之间切换,这一现象对于活动期间的稳定性至关重要.
• 现有的模型通常依赖于先前的身体知识,限制了适应改变身体特征或未知的动态的适应能力.
• 学习机制对于开发适应性神经网络来实现强大的姿势控制至关重要.

研究的目的:

• 创建一个自我组织的神经网络,能够在没有预定义的身体模型的情况下进行自适应姿势模式协调.
• 调查网络的复制能力和在相位和反相位协调模式之间的过渡.
• 评估网络对动态任务条件和改变身体质量的超适应性.

主要方法:

• 使用深度强化学习算法来训练神经网络进行姿势协调.
• 该研究使用了不同目标频率的头目标跟踪任务,以诱导协调模式之间的过渡.
• 通过对部和脚关节的相关性和相对相位分析来评估性能.

主要成果:

• 自组织的神经网络成功地重现了相位和反相位姿势协调模式.
• 这些模式之间的转换是通过改变头-目标跟踪任务频率来实现的.
• 经过训练的网络表现出适应持续的任务变化和未经学习的身体质量变化的能力,保持模式交替.

结论:

• 自组织的神经网络可以学习适应性姿势控制策略,模仿人类的运动适应性.
• 开发的模型为创建更强大和多功能机器人系统以及理解生物运动控制提供了一条途径.
• 这种方法突显了深度强化学习在实现动态环境的超适应性运动控制方面的潜力.