综述:学习非线性运动控制:如何整合机器学习与非线性动力学揭示人类运动中的结构、适应与控制

《Actuators》:Learning Nonlinear Motor Control: How Integrating Machine Learning and Nonlinear Dynamics Reveals Structure, Adaptation, and Control in Human Movement Armin Hakkak Moghadam Torbati, Yavar Shiravand and Armin Mazinani

【字体: 大 中 小 】 时间:2026年03月21日 来源:Actuators 2.3

编辑推荐:

  本文探讨了AI与非线性动力学整合如何建模、解释并控制人类运动。它指出,传统线性模型难以捕捉运动的复杂非线性与适应性,而AI(特别是机器学习ML、强化学习RL)能学习输入-输出映射、时序动态和适应性控制策略。当AI模型受非线性动力学概念(如吸引子、相变、流形)约束和评估时,能超越“黑箱”预测,揭示运动控制的潜在结构和机制,最终指向可解释、闭环的人-执行器交互模型。

  
学习非线性运动控制:AI与非线性动力学的融合之旅
人类运动源于神经过程、肌肉骨骼动力学和环境约束之间复杂的相互作用,其行为本质上是非线性的。因此,非线性动力系统方法被广泛用于描述运动行为的变异性、稳定性和协调性。然而,尽管其概念价值巨大,这些方法通常是事后应用的,在支持预测、控制以及整合高维多模态数据方面仍存在局限。人工智能(AI)提供了一个互补的建模框架,能够应对这些挑战。但当前许多AI应用主要将运动信号视为分类或回归的特征集,而运动背后的动力学结构仍待深入探索。这篇综述综合了近期将AI与非线性运动控制分析相结合的研究,以跨神经、生物力学和行为领域来建模、解释和控制人类运动。
1. 引言:非线性——运动控制的核心属性
人类运动控制本质上是非线性的,它从神经指令、肌肉骨骼动力学和环境约束的持续互动中涌现出来。从动力学系统的视角看,人类运动占据着低维但时变的状态空间,反映了多个子系统之间协调的相互作用。在此框架下,运动变异性不再被视为需要最小化的误差项,而是控制的内在功能性特征。它反映了运动系统如何探索解空间、适应任务需求,并在疲劳、认知负荷或环境扰动下保持灵活性。非线性还体现在稳定性、吸引子和状态转换等概念中。运动模式可被视为在重构的状态空间中围绕吸引子状态演化的轨迹,其稳定性表明了系统在保持功能组织的同时抵抗微小扰动的能力。
1.1. 为什么经典线性/分析模型存在不足?
经典的运动控制模型,特别是线性和基于优化的方法,通常依赖于比例输入-输出关系、平稳性和系统组件可分离性等简化假设。虽然这些假设在高度约束或低维任务中可能成立,但它们无法捕捉自然运动中观察到的丰富的、依赖于上下文的动力学。此外,基于最优控制的模型常常假设中枢神经系统通过最小化或最大化一个预定义的成本函数(如能量消耗或肌肉应力)来选择运动策略。然而,真实的人类行为常常是系统性次优、可变且依赖历史的。生物学系统并非以固定目标、完全信息或集中决策者运作。最后,经典模型通常强制分离控制器和系统,将神经控制和肌肉骨骼动力学视为不同模块,这模糊了神经指令、内在组织特性和环境约束共同塑造运动结果的双向耦合。
1.2. AI:作为互补工具,而非替代品
非线性动力系统方法虽然提供了实质性的概念进步,但其对运动控制研究的贡献在很大程度上仍然是描述性的,而非生成性的。它们通常在表征运动变异性、稳定性和协调性方面非常有效,但通常用于事后分析,对预测、控制或自适应推理的支持有限。与此同时,纯粹的分析建模框架,无论是线性还是非线性,随着运动控制研究转向生态学上有效的任务和大规模、异构数据集,正面临日益增加的困难。数据驱动的机器学习(ML)方法通过将运动控制建模重新定义为函数逼近问题,允许以最少的事前结构假设直接从数据中学习复杂的非线性映射,从而解决了这一局限。重要的是,在运动控制中引入AI的动机并非取代非线性动力系统理论,而是将其描述优势扩展到预测性、适应性和可扩展的建模中。
2. AI在非线性人类运动建模中的应用
2.1. 建模非线性输入-输出关系
人类运动控制的一个核心挑战在于,从“输入”(任务需求、感觉环境、神经肌肉活动或其可测量的代理)到“输出”(关节扭矩、相位变量、协调模式或与性能相关的运动特征)的映射本质上是非线性、依赖历史且通常仅部分可观测的。将非线性运动控制结构与AI结合,可以使这些映射不仅可建模,而且在实际中可部署。例如,在人体站立任务中,模型无关的深度强化学习(RL)框架已被用于再现踝关节和髋关节协调模式的自组织交替。学习到的控制器能够随着目标频率的变化,再现实验观察到的同相和反相协调之间的转换。这表明神经网络捕捉的是运动协调问题中受约束的非线性结构,而非仅仅记忆特定的运动轨迹。另一种互补策略是将关键的动力学状态变量(特别是相位)作为学习模型的输出,这使得相位这一非线性动力学量可以作为AI模型的输出,从而在下游的同步/控制情境中使用。此外,从可穿戴传感器推断生物力学变量的输入-输出建模也具有实用价值,例如,结合连续小波变换(CWT)的混合深度架构用于基于惯性测量单元(IMU)的下肢关节扭矩估计,展示了非线性信号表示和AI如何共同实现从便携式测量中进行可行的扭矩推断。
2.2. 时序动力学与适应性
人类运动控制的一个决定性属性是,行为是作为潜在动力学结构上的轨迹随时间演化而产生的,而不是对输入的瞬时响应。神经活动、神经肌肉协调和运动模式都在低维但非线性的状态空间上演化,其几何形状和稳定性随任务需求、学习、疲劳和扰动而变化。从建模角度看,时序AI模型(如循环神经网络RNN)的相关性恰恰在于它们表示这种状态性动态的能力。例如,在振荡工作记忆任务中,训练后的RNN可以产生相位锁定的极限环吸引子,作为离散记忆状态的稳定动力学表示。在行为和神经力学层面,时间适应性表现为在保持功能稳定性的同时,根据变化的约束条件重组协调策略的能力。这在姿势控制的模型无关深度RL研究中得到了直接解决,智能体学习重现人类观察到的自组织协调模式,并展现出在任务条件连续变化下的适应能力。这些研究支持了一个统一的观点,即运动控制中的时序学习最好被理解为动力学结构(流形、吸引子和转换)的获取和调制,而非时间序列的记忆。
2.3. 强化学习与控制策略
在运动控制和具身控制的最新研究中,强化学习(RL)越来越多地与非线性运动控制分析结合使用,而非作为独立的优化工具。在这些研究中,非线性概念如相空间结构、吸引子、切换面和协调模式,不仅用于事后解释,而且积极塑造了RL框架内的状态表示、控制目标、策略结构和评估标准的制定。这种整合在挑战经典最优反馈公式的人类姿势控制研究中尤为明显。例如,在安静站立建模中,RL被用于学习间歇性的、状态相关的控制策略,其中反馈仅在系统进入相平面的动态“危险”区域时才被激活。与连续最优控制器相比,这些间歇性学习到的策略重现了类人的摇摆模式,并对感觉延迟和运动噪声表现出更强的鲁棒性。在姿势协调研究中,深度RL被证明可以在无需显式身体模型的情况下,重现头部跟踪任务中髋-踝同相和反相协调模式的自组织交替。在此背景下,相对相位和相关等非线性协调指标不仅用于评估性能,还用于定义策略必须导航的行为状态。具身模拟进一步强化了在非线性动力学背景下学习控制策略的重要性。在果蝇全身运动的模拟中,RL被应用于解剖学上详细的生物力学模型,以训练产生逼真行走和飞行行为的神经控制器。这些策略发现了嵌入脑-体-环境耦合动力学中的控制解决方案。
3. 从AI方法中获得的见解
3.1. 捕捉超越线性模型的非线性
这些研究的关键见解不在于AI本身捕捉了非线性,而在于非线性运动控制分析定义了相关的状态空间和几何结构,而AI提供了一种从数据中学习该空间上动力学的实用手段。当通过这种组合视角检验运动行为时,非线性不仅仅是模型复杂性的增加,而是成为底层动力学的结构性属性,一旦移除不适当的线性约束,这种属性就变得可访问。这在神经群体研究中很明显,其活动位于内在的非线性流形上,其曲率和拓扑结构无法被线性降维技术忠实表示。同样,在部分可观测性下学习动力系统时,基于非线性动力系统理论的延迟坐标重构提供了一种从时间历史中恢复状态的原则性方法,之后深度网络可以在重构的流形上学习离散时间映射或连续流。
3.2. 揭示潜在的运动结构
潜在结构指的是运动的基础动力学组织,它无法直接从原始信号中观察到,但可以通过协调模式、吸引子或神经流形等构造推断出来。当AI模型使用流形、协调模式和相位关系等非线性运动控制构造进行训练和评估时,这种结构变得可见。在神经层面,将群体活动视为在非线性流上演化,揭示了被线性嵌入所掩盖的结构。在行为层面,RL提供了一个特别有力的证明,因为它可以重现协调现象,而不仅仅是分类它们。例如,在学习到的姿势控制器中观察到的频率依赖性协调模式转换,通过相对相位等非线性协调指标进行量化,直接将学习到的策略与协调动力学和模式转换的经典特征联系起来。具身模拟通过显示潜在结构分布在控制器、身体和环境之间,进一步扩展了这一见解。
3.3. 预测与解释
预测与解释之间的区别只有在AI输出通过非线性运动控制理论进行解释时才变得有意义,该理论提供了机制性理解所需的动力学结构。没有这样的框架,提高的预测准确性可能会掩盖而非阐明运动行为是如何组织和控制的。一些AI方法在复杂的非线性状态下优先考虑预测的充分性。例如,延迟坐标深度学习的目标是在混沌吸引子上实现准确的短期预测和长期统计一致性。其他方法则在动力学意义上具有解释性。例如,在间歇性站立控制中,RL产生了相空间中的状态依赖性切换几何结构,揭示了稳定性如何从选择性干预而非连续反馈中产生。在两者之间,存在一个富有成效的中间地带,即通过已知结构约束学习来增强解释性。半参数和混合控制器说明了性能提升如何归因于可识别的组件,而非被吸收进一个整体的“黑箱”。
4. 局限性与未来方向
4.1. 当前基于AI的非线性运动控制模型的局限性
尽管取得了越来越多的成功,但目前基于AI的非线性运动控制方法面临重要的结构性而非仅仅是技术性的局限。第一个局限性涉及许多深度模型的“黑箱”性质。尽管它们可以准确地再现轨迹或协调模式,但学习到的内部表征通常缺乏与可解释的运动控制结构(如稳定性、协调或控制策略)之间的清晰映射。从动力学系统视角看,这尤其成问题,因为运动行为通常由不变的动力学结构(如吸引子、极限环、分岔和相位关系)组织,这些结构支配着协调模式的稳定性和转换。第二个局限性涉及数据可用性和偏差。人类运动数据集通常规模小、任务特定且异质性强,但许多AI模型需要大量精心整理的数据才能可靠地泛化。第三个局限性涉及纯粹数据驱动模型中过拟合和物理一致性的风险。由于许多AI架构相对于典型人类运动数据集的规模包含大量参数,模型可能在训练数据上实现高精度,但捕捉的是虚假相关性而非底层控制原理。最后,可重复性仍然是一个问题。基于AI的运动控制流程对预处理选择、传感器放置、超参数调整和评估指标可能高度敏感,使得跨研究比较复杂化,并减缓了累积进展。
4.2. 迈向整合与可解释运动控制建模的未来方向
未来基于AI的运动控制建模的进展可能更多地依赖于与理论、生理学和闭环实验的深度融合,而不仅仅是更大的模型或数据集。一个有前景的方向是建立在运动控制理论基础上的可解释AI,其中解释不仅限于特征归因,而且明确地与非线性构造(如吸引子、相位关系、稳定裕度和协调状态)联系起来。与之密切相关的是发展理论指导和混合学习框架,其中生物力学约束、动力系统原理或控制论结构被直接嵌入到学习架构中。这减少了数据需求,提高了泛化能力,并在分析结构和数据驱动的适应之间提供了更清晰的分工。进一步关键的一步是迈向闭环人-AI系统,其中模型不仅针对离线预测进行测试,还针对其与人实时交互、适应行为变化以及通过反馈塑造运动学习的能力进行测试。最后,整合跨尺度的神经-机械信号,为实现统一的脑-体运动控制模型提供了一条原则性的路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号