1、仿真平台国内外现状

现有的机器人仿真平台多针对工业机器人，如 Coppelia Robotics 团队开发的 V-REP、微软公司开发的“Microsoft Robotics Developer Studio(MRDS)”[5]。但这些 仿真平台存在无法很好地模拟人体肌肉协同操作的问题。

随着对仿生机器人研究的需求不断增加，现在已经有一些针对人体肌肉骨骼 模型的仿真系统 . MusculoGraphics 公 司 开 发 了 SIMM 软件 (Software for Interactive Musculoskeletal Modeling)[6]，该软件可以建立包含人体骨骼、肌肉、韧 带和其它结构的模型，并通过计算每条肌肉产生的关节力矩实现对模型的仿真。 斯坦福的国家康复治疗研究仿真中心针对医学上的中风、脊髓损伤、脑瘫等病症 的康复问题开发了一款免费的开源平台 opensim[7]。由于 opensim 为开源平台， 使用者可以根据自己的需求进行二次开发，大大扩展了该平台的使用范围。 Anybody 科技公司针对工程领域，从工业产品与人体结构学的匹配角度，也开发 出了一款肌腱系统仿真平台[8]。

总的来说，现有的肌腱系统具有以下功能：

1）友好的用户界面，方便用户直观地观察模型。

2）集成了外界物理环境，具有与环境地交互功能。

3）集成了具有骨骼和肌肉等元素，便于搭建较为真实的肌腱模型。

4）便利的运动学和动力学求解工具，计算快捷方便。

5）可以与人体运动捕捉系统交互，便于再现人的模式。

6）部分软件为开源软件，便于使用者实现二次开发。

2、神经控制算法求解国内外现状

仿生机器人虽然在灵活性上有所改善。但其结构为具有冗余的耦合系统，具 有高度的非线性。模型无法通过反向求解计算得到输入信号。现有的肌肉信号大 多通过信号捕捉的方式获得。捕捉方式主要分为两种，分为肌电信号的捕捉和运 动轨迹的捕捉。其中表面肌电信号(EMG)是一种复杂的表皮下肌肉电活动在皮肤 表面处的时间和空间上的综合的结果[17]，通过采集人在完成一定运动下的表面肌电信号，可以在仿真平台中再现同一运动过程。运动轨迹捕捉是通过在人身上 安装陀螺仪等位置传感器，捕捉人体运动，然后运用 CMC 算法[18]模拟出肌肉信 号。

但无论是肌电信号捕捉还是运动轨迹捕捉都存在一定局限性。表面肌电信号 相对微弱，极易受噪声影响而导致测量结果的巨大偏差。运动轨迹捕捉除了存在 系统误差外，存在计算误差，且随着模型复杂度的增加，运算量将急剧增加。同 时，这两种捕捉方式对设备的要求也很严格，在缺乏相关设备的情况下研究将无 法开展。

基于生物学原理的神经网络提供了一定指导方法。神经网络是模拟人的系统 建立的生物启发式模型，可以根据输入产生一组信号序列。而研究也证实了一定 数目的神经元可以模拟人的信号产生过程。

从宏观的角度看，神经元群体在认知计算和运动学习中起着重要的作用。许 多最近的实验研究表明，皮质可以使其功能适应于优化设计学习[8] - [10]。例如， 由[8]绘制的延迟匹配对样本任务已经证明，在视觉学习过程中，前额叶皮质中的 神经元群体不断改变其响应特性。工作记忆任务的自适应和扩展训练可以提高认 知任务的表现，这与前额叶皮层和基底神经节神经元活动的变化相关[9]。总的来 说，发现神经元可以只通过运动结果的反馈来改变其调谐特性。

受这些神经生物学机制的启发，增强学习算法已被应用于训练神经网络，使 其能够支持延迟加固任务[11]。