点击上面"脑机接口社区"关注我们

更多技术干货第一时间送达

大脑建模

机器人专家正在利用神经科学的知识来构建性能更好的机器人。机器人技术和神经科学的这融合代表了一种神经工程方法---一个将神经科学，机器人技术和人工智能结合在一起的新兴研究领域。本文重点介绍了机器人技术和神经科学交叉领域过去和现在的观点以及未来的主要挑战（图1）。

图1：从大脑到机器人：经科学和机器人交叉的过去、现在和未来展望概述。未来大脑与机器人协同作用的主要挑战包括：神经解码器的完善，软结构和混合结构的机器人技术，对大脑的高级反馈，以及更广泛地将神经科学研究成果转化为机器人。一个新兴的挑战是发展先进的双向脑-机器人适应控制方案。资料来源:KELLIE HOLOSKI/SCIENCE ROBOTICS. PHOTO OF HUMANOID ROBOT WITH SKIN BY ASTRID ECKERT/TUM

机器人平台已经被开发用来研究大脑功能和身体机制的各个方面，如学习和感觉运动控制。从内耳工作的计算模型中获得的知识使得前庭眼功能(头部运动时稳定注视的神经元反射机制)的模拟成为可能。通过模拟这些功能，人们开始使用真实的神经启发模型来研究人类的平衡和两足运动，这已经在一个50自由度(DOFs)仿生机器人上得到了证实 (1)。这些发展也增强了复杂机器人的功能，例如高性能主动视觉感知，先进的两足平衡，运动和操纵，以及复杂任务的主动学习。最近的发展已经成功地将神经科学模型，如将运动(如行走和跑步)的中央模式发生器(CPGs)，整合到机器人系统中。此外，这些模型的神经科学有效性也得到了验证。将机器人与神经科学研究结合起来，可以更好地理解从运动控制的神经机制(2)到社交互动(3)的一系列大脑功能。

基于神经科学的工程解决方案

神经形态电子学在设备上模拟神经学原理，使其像人工神经系统一样工作，在计算，机器人传感和驱动方面已经证明了优于标准工程解决方案的进步(4)。研究人员开发了具有人类敏感皮肤的全尺寸仿人机器人，该机器人利用神经事件驱动机制来处理触觉信息(5)。

大脑控制机器

脑机接口(BMI)可以实现通过大脑对机器人的直接控制，从而能够恢复运动功能以及探查大脑神经回路的能力(6)。BMI的这种双重用途为以闭环方式开发、研究和更改神经机制的统一方法开辟了道路。尽管BMI的主要目的是将代表运动意图的神经活动映射到由机器人执行的任务(例如，神经假肢或外骨骼)，但是有一些例子表明，基于BMI的机器人系统直接控制已经导致了这些人工设备的整合通过运动、体感皮层和皮层下结构中的神经回路进入人体的表征中(6)。这展现了除了我们所熟知的无生命工具的集成之外，将复杂(半)自主机器无缝集成到人体模式中的可能性。除了直接控制假肢装置(6)外，BMI还可以用于恢复失去的感觉和运动功能，例如中风引起的运动障碍患者(7)。使用BMI控制的外骨骼进行长期步态神经康复治疗，即使是脊髓损伤截瘫患者也能观察到感觉和运动控制的部分恢复(8)。这种神经康复展现了将BMI和机器人技术相结合用于治疗迄今为止无法治愈的疾病具有巨大的潜力，但尚未得到充分开发。

用大脑反馈来教机器人

在几个定义明确的任务中，通过对人和机器人之间的错误更新循环进行改进，任务水平得到了提高，例如简化的上肢神经假体到达任务(9)。这些报告证明了对错误敏感的成功解码，可以使机器人的行为适应人类的期望。这种方法为有效训练机器人开辟了未来的前景，它既可以整合并遵循人类的惯例，又不需要(由专家)明确地为每一项任务编程。在人类与机器人持续互动的过程中，人类与机器人开始相互适应，这一过程已经得到了证明。通过测量大脑的变化及其检测突发情况的能力，改变机器人行为被证明是可行的，正如新兴的人机联合策略所表明的那样，这些策略触发了有效的互动(10)。总的来说，这些工作为建立真正协同的人机交互开辟了道路。

未来的挑战

对于从机器人到人类用户的适当反馈(除了它工作的事实)的闭环接口的清晰理解仍然是一块空白。这为大脑和机器人通过双向控制反馈回路合二为一的场景带来了挑战。进一步的挑战包括:(i)由于需要对大量的DOF进行实时神经解码，使用神经接口来感知人类的状态和意图将变得越来越困难。针对不同的大脑活动对神经解码器进行优化校准是另一个挑战。(ii)对大脑的反馈使得人类/大脑对机器人无缝和自然地接受，这是一个巨大的挑战，具体来说，反馈的类型和形式、其空间精确度以及反馈的时间，如反馈感觉的延迟和人类和机器人运动的动态反馈调制。(iii)超越任务级自适应的连续人机双向自适应控制方案才刚刚开始出现。未来的挑战包括人机交互和脑机交互循环的形式化及其在用例和应用程序中的推广。

一个真正现实的功能模型

机器人专家将继续从神经科学中汲取灵感，以构建具有更高复杂性的高效机器人，神经科学家将进一步向机器人专家提出挑战，要求他们提供工具，作为他们研究的现实模型。进一步的挑战包括:(i)软结构和混合机器人正在出现，尽管与生物学相比，它们仍然是原始的。未来的一个挑战是建立更接近自然的现实平台。(ii)需要具有可访问的平台，这些平台代表真实的模型，在现实中值得信赖，而且足够简单，可以用于神经科学研究。(iii)对于高度复杂结构的感觉运动控制，如软结构和混合结构的机器人，也可以从神经科学中受益。然而，将神经科学的发现转化为机器人仍然是一个重要的挑战，特别是在解决机器人领域的大规模问题(如软外骨骼的控制)。

参考文献：

1. G. Cheng, S.-h. Hyon, J. Morimoto, A.Ude, G. Colvin, W. Scroggin, S. C. Jacobsen, CB: A humanoid research platformfor exploring neuroScience. Adv. Robot. 21,1097–1114 (2007).

2. S. Schaal, Dynamic movement primitives–aframework for motor control in humans and humanoid robotics, in Adaptive Motionof Animals and Machines, H. Kimura, K. Tsuchiya, A. Ishiguro, H. Witte, Eds.(Springer Tokyo, 2006), pp. 261–280.

3. F. Bossi, C. Willemse, J. Cavazza, S.Marchesi, V. Murino, A. Wykowska, The human brain reveals resting state activitypatterns that are predictive of biases in attitudes toward robots. Sci. Robot.5, eabb6652 (2020).

4. H.-L. Park, Y. Lee, N. Kim, D.-G. Seo,G.-T. Go, T.-W. Lee, Flexible neuromorphic electronics for computing, soft robotics,and neuroprosthetics. Adv. Mater. 32, 1903558 (2020).

5. G. Cheng, E. Dean-Leon, F. Bergner, J.Rogelio GuadarramaOlvera, Q. Leboutet, P. Mittendorfer, A comprehensiverealization of robot skin: Sensors, sensing, control, and applications. Proc.IEEE 107, 2034–2051 (2019).

6. M. A. Lebedev, M. A. L. Nicolelis,Brain-machine interfaces: From basic science to neuroprostheses andneurorehabilitation. Physiol. Rev. 97, 767–837 (2017).

7. K. K. Ang, K. S. G. Chua, K. S. Phua, C.Wang, Z. Y. Chin, C. W. K. Kuah, W. Low, C. Guan, A randomized controlled trialof EEG-based motor imagery brain-computer interface robotic rehabilitationforstroke. Clin. EEG Neurosci. 46, 310–320 (2015).

8. A. R. C. Donati, S. Shokur, E. Morya, D.S. F. Campos, R. C. Moioli, C. M. Gitti, P. B. Augusto, S. Tripodi, C. G.Pires, G. A. Pereira, F. L. Brasil, S. Gallo, A. A. Lin, A. K. Takigami, M. A.Aratanha, S. Joshi, H. Bleuler, G. Cheng, A. Rudolph, M. A. L. Nicolelis,Long-term training with a brain-machine interface-based gait protocol inducespartial neurological recovery in paraplegic patients. Sci. Rep. 6, 30383–30383(2016).

9. I. Iturrate, R. Chavarriaga, L.Montesano, J. Minguez, J. de R. Millán, Teaching brain-machine interfaces as analternative paradigm to neuroprosthetics control.Sci. Rep. 5, 13893 (2015).

10. S. K. Ehrlich, G. Cheng, Human-agentco-adaptation using error-related potentials. J. Neural Eng. 15, 066014 (2018).

编辑|Rose

文章来源于网络，仅用于学术交流，

不用于商业行为，转载请联系后台

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

基于生理信号的情感计算研究综述(一)

基于生理信号的情感计算研究综述(二)之情感计算中的机器学习、情感计算常用公开数据集

手把手教你EEG脑电数据预处理-操作篇

Python-可视化Evoked数据

NeuroRA：一个用于多模态神经数据表征分析的Python工具包
手把手教你EEG脑电数据预处理-原理篇

带你入门跨学科领域——认知神经科学

2020完整版 伯克利《神经技术导论》课程及PPT和代码案例下载

EEG伪影类型详解和过滤工具的汇总(一)

脑机接口和卷积神经网络的初学指南(一)

脑电数据处理分析教程汇总(eeglab, mne-python)

快速入门脑机接口：BCI基础(一)

脑机接口BCI学习交流QQ群：515148456

微信群请扫码添加，Rose拉你进群

(请务必填写备注，eg. 姓名+单位+专业/领域/行业)

长按关注我们

欢迎点个在看鼓励一下

​​​​​​​