Menselijke motorische controle is altijd efficiënt geweest in het op natuurlijke wijze uitvoeren van complexe bewegingen, efficiënt, en zonder veel na te denken. Dit komt door het bestaan ​​van motorsynergie in het centrale zenuwstelsel (CZS). Motorsynergie stelt het CZS in staat om een ​​kleinere set variabelen te gebruiken om een ​​grote groep spieren te controleren; waardoor de controle over gecoördineerde en complexe bewegingen wordt vereenvoudigd.

Nutsvoorzieningen, onderzoekers van de Tohoku University hebben een soortgelijk concept waargenomen bij robotagenten met behulp van algoritmen voor het leren van diepe versterking (DRL).

Met DRL kunnen robotagenten de best mogelijke actie leren in hun virtuele omgeving. Hiermee kunnen complexe robottaken worden opgelost, terwijl handmatige handelingen worden geminimaliseerd en topprestaties worden bereikt. Klassieke algoritmen, anderzijds, vereisen handmatige tussenkomst om specifieke oplossingen te vinden voor elke nieuwe taak die verschijnt.

Echter, het toepassen van motorsynergie van de menselijke wereld naar de robotwereld is geen geringe taak. Hoewel veel studies het gebruik van motorische synergie in motorische controle bij mens en dier ondersteunen, het achtergrondproces is nog grotendeels onbekend.

In de huidige studie, onderzoekers van Tohoku University gebruikten twee DRL-algoritmen op lopende robotagenten, bekend als HalfCheetah en FullCheetah. De twee algoritmen waren TD3, een klassieke MVO, en SAC, een goed presterende MVO.

De twee robotagenten moesten binnen een bepaalde tijd zo ver mogelijk vooruit rennen. In totaal, de robotagenten voltooiden 3 miljoen stappen. Er werd geen synergie-informatie gebruikt ten aanzien van de MVO's, maar de robotagenten toonden de opkomst van motorische synergie tijdens hun bewegingen.

Mitsuhiro Hayashibe, Tohoku University professor en co-auteur van de studie, notities, "We hebben eerst op een kwantitatieve manier bevestigd dat motorsynergie kan ontstaan, zelfs in diep leren zoals mensen dat doen." Professor Hayashibe voegt toe, "Na het toepassen van deep learning, de robotagenten verbeterden hun motorprestaties terwijl ze het energieverbruik beperkten door gebruik te maken van motorsynergie."

Vooruit gaan, de onderzoekers willen meer taken onderzoeken met verschillende lichaamsmodellen om hun bevindingen verder te bevestigen.