自然界中，動物的行走、呼吸等節(jié)律性運動往往流暢而協(xié)調，這些動作的完成并不完全依賴大腦的即時指令。科學家發(fā)現(xiàn)，這一能力源于神經(jīng)系統(tǒng)中的“中樞模式發(fā)生器”（CPG），它是一個由神經(jīng)元構成的小型網(wǎng)絡，能夠自主產(chǎn)生有節(jié)奏的電信號，驅動肌肉完成周期性動作。CPG不僅存在于生物體內(nèi)，也為機器人運動控制提供了重要靈感。

傳統(tǒng)四足機器人運動控制多依賴簡單的四神經(jīng)元CPG架構，但這類設計存在明顯局限：步態(tài)類型單一，通常僅能實現(xiàn)三種左右的基本步態(tài)，遠不及自然界中四足動物的六種主要步態(tài)；同時，對單條腿內(nèi)多個關節(jié)的協(xié)調控制能力不足，無法同時精準控制髖關節(jié)和膝關節(jié)的運動。針對這些問題，浙江大學曲紹興研究團隊提出了一種基于對稱性原則的新型八神經(jīng)元CPG網(wǎng)絡，為四足機器人運動控制開辟了新路徑。

研究團隊從數(shù)學對稱性理論出發(fā)，發(fā)現(xiàn)CPG的步態(tài)生成能力主要取決于神經(jīng)元連接網(wǎng)絡的對稱性結構，而非單個神經(jīng)元的數(shù)學模型。他們首先驗證了四神經(jīng)元網(wǎng)絡具備產(chǎn)生五種步態(tài)的理論潛力，包括行走、小跑、溜步、跳跑和騰躍。然而，這一網(wǎng)絡在面對單腿多關節(jié)協(xié)調控制時仍顯不足。為此，團隊創(chuàng)新性地將控制單條腿的“抽象”神經(jīng)元拆分為兩個具體神經(jīng)元，分別控制髖關節(jié)和膝關節(jié)，并通過局部對稱性連接形成小單元。最終構建的八神經(jīng)元CPG網(wǎng)絡，既保留了全局對稱性以協(xié)調腿間運動，又引入了局部對稱性以實現(xiàn)單腿關節(jié)的獨立控制。

這一網(wǎng)絡結構可類比為立方體：頂層四個神經(jīng)元控制四條腿的髖關節(jié)，底層四個神經(jīng)元控制膝關節(jié)。通過這種設計，每個關節(jié)都獲得了專屬的節(jié)律控制單元，大幅提升了機器人的運動協(xié)調能力。在數(shù)值仿真中，該網(wǎng)絡成功穩(wěn)定產(chǎn)生了五種步態(tài)，驗證了其基礎功能的有效性。

步態(tài)的穩(wěn)定切換是高性能CPG的核心挑戰(zhàn)。五種步態(tài)意味著存在二十種可能的轉換路徑，其中許多轉換極易失敗。研究團隊通過深入分析轉換過程，歸納出四種高效策略：直接切換，通過調整核心參數(shù)實現(xiàn)簡單步態(tài)間的快速轉換；強力配對，對特定神經(jīng)元施加短暫強刺激以穩(wěn)定目標步態(tài)；等待-切換，延遲切換直至最佳時機以確保成功率；等待-強力配對，結合前兩者優(yōu)勢處理復雜轉換。這些策略利用了神經(jīng)動力學系統(tǒng)的分岔特性，確保了關節(jié)控制信號的連續(xù)平滑，避免了運動突變。

為驗證理論效果，研究團隊在物理仿真環(huán)境中使用商用四足機器人模型（Unitree Go1）進行了全面測試。測試架構包含調節(jié)模塊、中腦運動區(qū)和CPG網(wǎng)絡。結果顯示，機器人不僅能穩(wěn)定實現(xiàn)五種步態(tài)，步態(tài)轉換成功率也極高：行走、小跑和溜步間的轉換成功率接近100%，涉及跳跑和騰躍的復雜轉換成功率也優(yōu)于多數(shù)現(xiàn)有方案。轉換過程中，機器人身體姿態(tài)、運動速度和重心高度變化微小且平滑，展現(xiàn)了優(yōu)異的穩(wěn)定性和適應性。

團隊還設計了兩種傳感器融合控制框架，進一步提升了機器人的環(huán)境適應能力。第一種框架通過頭部攝像頭識別地面路徑標記，結合模糊控制器調整步幅實現(xiàn)自主轉向和路徑跟蹤；第二種框架在髖關節(jié)處模擬扭矩傳感器，當機器人走上斜坡時，關節(jié)扭矩增大觸發(fā)反射回路，CPG自動將步態(tài)從小跑切換為更穩(wěn)定的行走，回到平地后再切換回小跑。這些設計體現(xiàn)了感知-動作閉環(huán)的思想，顯著增強了機器人的自主性。

這項研究通過對稱性原則構建的八神經(jīng)元CPG網(wǎng)絡，不僅增加了四足機器人的步態(tài)多樣性，還解決了單腿多關節(jié)協(xié)調控制難題。結合多種步態(tài)切換策略和傳感器融合框架，機器人在仿真測試中展現(xiàn)出了接近生物水平的適應性和穩(wěn)定性。目前，研究團隊正將這一技術拓展至人形機器人運動控制，探索其在多自由度、高動態(tài)步態(tài)生成與切換中的潛力，為具身智能研究和復雜環(huán)境下的機器人自主運動提供了新方案。