近年来，机器人学家已经开发出具有广泛解剖结构和功能的移动机器人。有腿机器人是一类在非结构化和动态环境中特别有前途的机器人系统（即，有两条腿或两条腿以上的机器人，通常与动物相似）。

虽然腿式机器人是非常有前途的系统，但可靠地控制它们的运动或移动可能是一项挑战。虽然一些团队之前已经手动创建了运动控制器，但其他团队则尝试使用机器学习算法对其进行自动编程。自动设计它们可能是有利的，但它通常需要长期训练机器学习算法。

Mathias Thor和Poramate Manoonpong，丹麦南部大学M.RSK MC KNNY M勒勒研究所的两名研究人员最近开发了一种训练腿机器人的控制器的替代方法。这种方法发表在《自然机器智能》上的一篇论文中，可用于在短时间内获得不同复杂度的运动行为。

“我们的论文是基于我之前的工作，我使用中央模式发生器（CPG）来控制腿部机器人的运动，这项新研究的主要目的是证明运动控制器可以简单易懂，但能够产生复杂的运动行为。”开展这项研究的研究人员之一Mathias Thor解释道。

Thor和Manoonpong开发的新型灵活控制器基于仿生人工中央模式发生器（CPG）和前置运动神经网络。GPG是一种生物神经回路，允许动物天生有节奏地运动，从而产生呼吸、行走、飞行和游泳等行为。许多计算机科学家最近一直试图在机器中复制这些生物系统，以实现不同类型的机器人运动。

CPG产生有节奏的信号，让马达跟随，而前置马达神经网络重塑CPG输出，以获得高性能，重塑基于机器人形态和感官反馈。我们的控制方法的主要优点是学习速度快，易于理解和模块化。

作为研究的一部分，研究人员在一个名为MORF的六条腿实体机器人上评估了他们的方法。在测试中，他们发现它取得了显著的效果，在很短的训练时间后产生了他们想要的运动行为。

新方法还具有高度灵活性和适应性，因为它允许开发人员轻松添加新的行为特定模块，从而产生越来越复杂的移动行为。未来，全世界的机器人学家和计算机科学家可以使用它来快速训练各种腿部机器人，以新的有效方式导航周围环境。

托尔补充道，使用我们的方法时，运动控制器不需要复杂，也不需要训练很多小时或几天，相反，复杂的运动可以从许多简单的并行模块中产生。由于控制器可以在不到30分钟的时间内学习新的行为，我们希望直接在真实世界的腿机器人上学习运动行为，而不是在模拟的机器人上。