通过机器人技术了解大脑功能架构

机器人技术越来越被视为动物行为背后的大脑功能结构计算模型的有用测试平台。本文概述了过去和现在的工作，重点是概率和动态模型，包括以自由能原理为前提的方法，将这一努力与大脑构成分层控制系统的证据联系起来。我们认为，未来的神经机器人模型应该整合多种神经生物学约束。

神经机器人学，旨在证明受大脑启发的控制在具体物理系统中的有用性（如下图）。对基础理论的完整性进行严格的测试，特别是在目标大脑子系统在感知与行动的实时协调中的作用（A）Salamandra Robotica，一种可以游泳和行走的两栖机器人，由脊椎动物脊髓振荡网络模型控制。（B）WhiskEye，大脑系统的机器人模型，包括小脑，基底神经节，上丘和海马体，哺乳动物振动系统中的潜在导航和主动感应。（C）iCub，一种广泛用于模拟人类感知，认知，运动控制和社交互动的人形机器人。（D）神经机器人的设计涉及将神经回路的计算模型与动物感觉和运动系统的物理模型连接。通常，控制系统还包括非神经启发的组件。在与其环境/生态位适当匹配的精心设计的机器人中，机器人身体的形态可以简化控制某些方面[称为“形态计算”]。由此产生的生物体物理模型能够在现实世界环境中运行，作为嵌入式神经模型产生适应性行为能力的有力测试。

各种大脑子系统的功能已经在各种形式主义中被成功地捕获了。这些包括源自强化学习、自适应控制和动态系统的形式主义，即大脑的不同部分实现不同类型的学习设备。通过扩展早期的见解，例如Mosaic模型，预测处理激发了最近的神经机器人研究，从上到下突出了不同控制方法之间的正式关系。然而，在我们看来，预测处理不应被视为通过机器人技术探索自然设计原理的单一途径。需要更广泛的生物学原理基础，包括约束关闭和行动主义以及生物智能出现的历史所产生的原则。作为通过物理建模理解大脑的途径，我们认为混合的分层架构，包括最小化自由能的组件，可能提供最有希望的路径。这种方法可能会导致神经机器人平台能够产生复杂的类似生命的行为！