人類的運動控制能力是一項復雜而高效的技能，他可以通過規劃、執行和組合各個肢體運動來產生復雜的全身運動，而機器人一直以復刻與人類類似的能力為目標，于是一項受人體運動啟發的新研究誕生了。

　　該研究利用分層生成模型來增強自主機器人的電機控制，實現了受人類運動控制啟發的高度復雜任務，這主要是通過三種方法實現的：命令、規劃和學習。人類的運動控制系統是通過多層次的神經結構實現的，包括高級規劃和底層肢體運動協調。

　　由英特爾實驗室、倫敦大學學院和VERSES研究實驗室組成的研究小組最近在《自然機器智能》雜志上發表了一項關于機器人運動控制的研究，通過分層生成模型提高了自主機器人的運動控制能力。

　　為了模擬這種復雜性，研究團隊采用了分層生成模型，將任務分解為不同層次的動作，并模擬人類運動控制的深度時間架構。這種分層組織的優勢在于能夠同時處理全局規劃和局部控制，使機器人能夠在復雜和不確定的環境中執行任務。

　　李志斌副教授和神經科學家Karl Friston教授是本項研究的主要作者，他們通過模仿人腦結構，他們開發了軟件、機器學習和控制算法，提高了自主智能機器人在完成復雜日常任務方面的可靠性。

　　李志斌教授介紹道：“我們最近的論文探討了如何從生物智能中獲取靈感，以形式化機器人學習和控制。這使得我們能夠在一個連貫的框架內進行自然的運動規劃和對機器人運動的精確控制。通過廣泛的模擬，我們展示了全身人形機器人在倉庫環境中能夠運輸箱子、打開門、操作設施(例如傳送帶)、踢足球，甚至在機器人身體受到物理損壞的情況下仍能持續操作。我們的研究突顯了大腦中不同皮層如何協同工作的靈感，可以指導智能機器人大腦的設計。”

　　與其他分層生成模型類似，李志斌教授和他的團隊通過將任務組織成不同的級別或層次結構來開發技術，他們的模型將任務的超范圍目標映射到不同時間尺度下的個體肢體運動的執行上。

　　實驗初步證明，分層生成模型在將人類能力轉移到機器人方面具有巨大潛力，未來將進一步驗證這些結果。

　　人類科學家們正在做大量的工作，來分別復制不同種類的人工智能，現如今已經可以從生物大腦的結構和功能組織層面上汲取靈感，了解不同皮層如何相互協調。未來AI的發展將不可預測，機器人或能成為人類的機械復制品。