目前，作为格拉纳达大学 (UGR) 一组科学家的成就，该应用技术正在向前迈进：他们设计了一个“人工小脑”来预测控制机器人，从而从人类行为中汲取灵感，给予应对机器人技术挑战。所说的“人工小脑”能够学习在不同情况下执行运动任务，预测实现它所需的动作。

这项发表在《科学机器人》杂志上的工作首次应用了人类小脑的预测行为，以提供对影响机器人控制周期感知动作信号传输的可变时间延迟的鲁棒性。

来自 UGR 计算机架构与技术系的 Ignacio Abadía Tercedor 解释说，这项工作的想法源于将生物学作为解决技术问题的灵感来源。利用小脑的特征并将其应用于当前的机器人挑战。因此，他们开发了一个小脑模拟模型，能够控制机械臂的运动，从头开始学习如何执行特定的运动任务。他们的模拟模型复制的小脑的主要特征是：学习和自适应运动控制以及对影响感知动作信号传输的时间延迟的鲁棒性。这允许远程控制机器人，

由 UGR 教授 Eduardo Ros 领导的研究小组“应用计算神经科学”已有超过 25 年的历史，致力于研究不同的神经中枢（小脑、下橄榄、基底神经节、系统视觉、海马）及其后续计算模拟。

该小组的研究主要集中在小脑，这是一个整合运动和感觉通路的神经中枢，这要归功于使其独一无二的一系列特征。与神经元结构更“混乱”的其他神经中枢相比，小脑具有规则和明确的结构，并在运动控制方面发挥着明确和公认的作用：执行精确的运动、协调、平衡和运动学习。这些特征使小脑成为开发计算模拟模型并将其应用于机器人控制的完美候选者。

在之前的一项工作中，UGR 科学家已经提出了小脑模型作为机械臂运动控制器的应用。这是一个生物学上合理的模型；也就是说，模拟尊重并复制了之前其他神经科学研究所研究的生物学特性。

学习运动任务

在他们的研究中，这种生物学上的合理性允许小脑的模拟模型充当机器人的电机控制器，学习执行特定的运动任务（用手臂绘制不同的轨迹）。就像孩子学习骑自行车，发现必须向腿部肌肉发送什么命令才能移动踏板以及向身体其他部位发送什么命令以保持平衡一样，小脑的模拟模型学习必须发送的命令机器人的电机，以便手臂执行所需的轨迹。

反过来，小脑模型能够像我们一样适应机器人动力学的变化，提供自适应控制。在我们的一生中，我们身体的尺寸和重量会发生变化，我们移动的环境也会发生变化，我们能够使用不同种类的工具。令人惊奇的是，尽管有上述情况，我们仍然能够适应并学习在不同情况下精确控制我们的身体。

在机器人领域，情况并非如此。经典机器人控制器基于对机器人动态特性（重量、尺寸、电机功率……）以及几乎不可修改的环境条件的先验的、数学上详细的知识。如果上述任何一项发生更改，控制器将停止服务其目的，并且需要实施新的目的。让我们想象一下，每次我们使用工具（锤子、球拍、煎锅……）时，我们都需要一个新的校准神经系统，以便在这些新条件下移动我们的手臂。幸运的是，进化为我们提供了一个能够学习和适应新环境的神经系统。通过我们的小脑模型，他们试图复制这种适应性和学习能力。

UGR 开发的这项科学进步的另一个优势是，研究人员使用 WiFi 连接和远程控制来控制机器人，在控制器（位于马德里）和机器人（位于格拉纳达）之间建立了约 400 公里的连接）。与经典连接相比，这两种情况都代表了时间延迟的显着增加。这再次归功于小脑模型的生物学合理性。人体的生理机能在传递感知动作信号时不可避免地会出现暂时的延迟，即便如此，我们仍能精确控制身体的运动，而小脑在其中发挥重要作用。这些延迟在几十到几百毫秒之间变化，

他们的仿生机器人控制器通过利用允许进化的数百万年来为出现的问题找到最有效的生物解决方案来应对技术挑战。这是神经形态工程、计算神经科学和神经机器人等研究领域的精髓。