科学家们创建了一种创新的基于人工智能的方法，极大地增强了我们对人手复杂运动功能的理解。研究团队实施了一种独特的机器学习技术，将基于课程的强化学习与精确的生物力学模型相结合。他们的研究提供了手部运动的全面、动态和解剖学正确的表现，直接源于人们学习复杂运动技能的方式。
在神经科学和生物医学工程领域，准确建模人手复杂的运动一直是一个长期挑战。现有模型往往无法有效描绘大脑的运动指令与肌肉和肌腱相应动作之间的复杂关系。这一空白不仅阻碍了科学的发展，也限制了针对肢体缺失或瘫痪个体有效神经假肢的创造。
来自洛桑联邦理工学院的亚历克斯·马提斯教授及其团队开创了一种基于人工智能的技术，显著加深了我们对这些运动功能的理解。他们设计了一种创新的机器学习方法，将基于课程的强化学习与复杂的生物力学模拟相结合。
马提斯的研究介绍了一个全面、动态且解剖学上精确的手部运动模型，直接受到人类获取复杂运动技能方式的影响。这项研究不仅在2022年NeurIPS大会上获得了MyoChallenge奖，还发表在期刊Neuron上。
虚拟控制保定球
“这项研究让我最兴奋的是，我们正在探索人类运动控制的基本原理——一个长期以来的谜团。我们并不仅仅是在构建模型；我们在揭示大脑和肌肉如何协同工作的基本机制，”马提斯表示。
Meta组织的NeurIPS挑战促使EPFL团队探索AI领域中被称为强化学习的新方法。该挑战要求创建一个能够精确操控两个保定球的人工智能，每个球由39块肌肉以高度协调的方式控制。尽管这一任务看似简单，但由于手部运动复杂的动力学，虚拟模拟非常复杂，这需要肌肉的同步和保持平衡。
在这个竞争激烈的环境中，三个研究生——来自马提斯团队的阿尔贝托·基亚帕、巴勃罗·塔诺和日希特·帕特尔，他们来自日内瓦大学的亚历山大·普盖特团队——显著超过了其他参赛者。他们的人工智能模型在比赛的初始阶段实现了完美的成功率，超越了最近的竞争者。此外，在更具挑战性的第二阶段，他们的模型表现出卓越的韧性，保持了显著的领先，最终赢得了比赛。
将任务分解为更小的部分——以及重复
“为了成功，我们受到人类通过被称为整体训练的方式学习复杂技能的启发，这在运动科学中非常流行，”马提斯解释道。这种整体训练影响了人工智能模型中采用的课程学习技术，系统地将控制手部运动的复杂任务分解为更小、可实现的组成部分。
“为了克服现有机器学习模型的限制，我们采用了一种称为课程学习的方法。在32个不同阶段和近400小时的训练后，我们成功教会了一个神经网络准确控制人手的逼真表现，”基亚帕表示。
导致模型成功的一个关键因素是其识别和利用基本、可重复运动模式，即运动原始体的能力。有趣的是，这种学习行为的方法可能为神经科学提供了洞见，具体来看大脑如何影响运动原始体的获取以掌握新任务。大脑功能与肌肉控制之间的复杂交互突显了创建真正模拟人类运动的机器和假肢所面临的挑战。
“实现一系列运动并发展一个类似人脑的模型对于执行各种日常任务至关重要。每个任务，虽然可能分解为更小的部分，但需要不同的这些运动原始体组合以确保有效的表现，”马提斯解释道。
利用人工智能探索和理解生物系统 EPFL神经假肢研究的知名学者西尔维斯特·米切拉强调了这项研究对未来突破和理解当前先进假肢局限性的重要意义。“我们目前缺乏对如何实现手指运动和抓取控制的更深刻洞察。这项研究正是针对这个关键方面，”米切拉观察道。“我们意识到将假肢与神经系统整合的重要性，而这项研究提供了一个坚实的科学基础，强化了我们的研究方法。”
