动态闭环神经形态轨迹插补模型：硬件仿真与软件模拟的协同实现

《IEEE Transactions on Circuits and Systems II: Express Briefs》：Toward a Dynamic Closed-Loop Neuromorphic Trajectory Interpolation Model: Hardware Emulation and Software Simulation

　　本刊推荐：为解决机器人手臂轨迹控制中存在的非平滑、分段式运动问题，研究人员开展了基于脉冲神经网络(SNN)的动态闭环神经形态轨迹插补模型研究。通过采用移位赢家通吃(SWTA)网络进行轨迹插补和脉冲比较器网络实现实时位置反馈，在DYNAP-SE2和SpiNNaker两种神经形态平台上验证了模型效能。研究结果表明，模拟硬件实现具有更好的鲁棒性和能效，数字仿真则展现出更精确稳定的性能，为未来神经形态机器人控制系统的发展奠定了基础。

　　

在机器人技术领域，实现精确平滑的轨迹控制一直是个重要挑战。传统机器人手臂控制器在执行特定位置定位时，往往只能产生分段式、阶梯状的运动轨迹，缺乏人类运动中特有的流畅性和连续性。这种非平滑的运动方式不仅影响工作效率，还可能导致机械磨损和安全隐患。正是基于这一背景，神经形态工程领域的研究人员开始从生物大脑中寻找解决方案，试图将生物神经系统的计算原理应用于机器人控制系统。

近日发表在《IEEE Transactions on Circuits and Systems II: Express Briefs》上的研究论文，由Daniel Casanueva-Morato等学者共同完成，提出了一种创新的动态闭环神经形态轨迹插补模型。该研究通过硬件仿真和软件模拟的对比验证，展示了神经形态系统在机器人轨迹控制方面的巨大潜力。

研究人员采用脉冲神经网络(SNN)构建了一个完整的闭环控制系统。该系统包含两个核心组件：移位赢家通吃(SWTA)网络负责对参考轨迹进行动态插补，而脉冲比较器网络则通过实时比较目标位置与机器人实际位置来确保轨迹的连续性。这种设计使得机器人能够像生物系统一样，实现平滑自然的运动轨迹。

在技术方法层面，研究团队创新性地在两种不同计算范式的神经形态平台上实现了该模型。在DYNAP-SE2平台上进行了模拟硬件仿真，该平台采用混合模拟-数字架构，能够逼真地模拟生物神经元的动态特性；同时在SpiNNaker平台上完成了数字软件模拟，利用其大规模并行计算能力实现精确的时序控制。通过设计系统的实验方案，研究人员对网络的各个组件进行了全面测试，验证了模型在不同参数配置下的鲁棒性和适应性。

系统架构设计

研究提出的系统架构包含SWTA网络和比较器网络两个核心模块。SWTA网络采用独特的移位连接机制，每个外层神经元并不连接到对应的内层神经元，而是连接到经过偏移量调整后的位置。这种设计使得网络能够对输入轨迹进行平滑插补，产生连续的运动指令。比较器网络则采用粗细粒度相结合的位置检测策略，确保机器人能够准确到达每个目标位置。

平台特性对比

DYNAP-SE2作为混合模拟-数字神经形态平台，采用自适应指数积分发放(AdExp-I&F)神经元模型和差分对积分器(DPI)突触滤波器，能够实现高度生物逼真的神经网络仿真。然而，由于模拟电路的固有特性，该平台存在一定的参数变异性和时序随机性。相比之下，SpiNNaker作为纯数字平台，提供精确的时序控制和参数配置，但缺乏模拟平台的生物真实性能效优势。

网络性能验证

通过全面的实验验证，研究人员证实了两个网络模块在各自平台上的正确功能。SWTA网络在各种输入条件下均能产生正确的移位输出，而比较器网络则能够在机器人位置与目标位置匹配时准确触发切换信号。特别值得注意的是，在完整的轨迹跟踪实验中，系统展现出良好的闭环控制性能，能够平滑地引导机器人完成复杂运动任务。

仿真与模拟对比

研究结果显示，两种实现方式在功能上完全等价，但在性能特征上存在显著差异。模拟硬件实现表现出更强的噪声鲁棒性和生物相似性，其振荡特性使其更适合处理真实环境中的不确定因素。数字模拟实现则提供更精确的时序控制和更稳定的输出性能，便于系统调试和参数优化。

该研究的创新之处在于首次在两种不同计算范式的神经形态平台上实现了完整的闭环轨迹控制系统，并进行了系统性对比分析。这不仅验证了神经形态控制方法的通用性和可移植性，还为不同应用场景下的平台选择提供了重要参考。对于要求高鲁棒性和能效的实时控制应用，DYNAP-SE2的模拟实现更具优势；而对于需要精确时序控制和快速原型开发的应用，SpiNNaker的数字实现更为合适。

研究的成功实施为神经形态机器人控制领域开辟了新的研究方向。未来工作的重点将集中在与实际机器人硬件平台的集成测试，以及与其他神经形态模块（如记忆模型）的协同工作。特别是将SNN与神经形态记忆模型相结合，有望实现完全神经形态的自主决策控制系统，进一步提升机器人的智能化水平。

这项研究的意义不仅在于提出了一个有效的轨迹控制解决方案，更重要的是展示了神经形态计算在解决实际工程问题方面的巨大潜力。通过模拟生物神经系统的信息处理机制，神经形态控制系统有望实现传统方法难以达到的能效比和适应性，为下一代智能机器人技术的发展奠定坚实基础。随着神经形态硬件技术的不断成熟，这类生物启发式的控制方法将在工业自动化、服务机器人等领域发挥越来越重要的作用。