《Frontiers in Neurorobotics》：Temporal signatures of prediction error reveal external forces on an embodied robot
编辑推荐：
具身机器人必须区分自产生的感觉后果与外部引起的扰动。在预测处理中，这种偏差被解释为预测误差（prediction error），但它通常主要被视为需要最小化的信号。在此，研究人员检验负载相关预测误差的时间剖面是否能提供机器人所经历的物理交互类型的信息。研究人员
具身机器人必须区分自产生的感觉后果与外部引起的扰动。在预测处理中，这种偏差被解释为预测误差（prediction error），但它通常主要被视为需要最小化的信号。在此，研究人员检验负载相关预测误差的时间剖面是否能提供机器人所经历的物理交互类型的信息。研究人员训练并评估了窗口化多层感知机（multilayer perceptron, MLP），以从本体感觉、惯性及伺服电流历史预测伺服电流，用作关节负载的代理。训练数据记录于机器人头部俯仰和偏航伺服电机随机运动期间。最优模型被实时部署在机器人上，并在自由运动和外部扰动（包括短暂推动、持续力以及障碍物交互）中评估。预测误差和原始电流时间序列通过捕获幅度统计、时间结构和信号形状的特征进行汇总。随后使用随机森林分类器基于这些特征对各条件进行分类。不同的交互条件产生了不同的剖面，支持具有高交叉验证准确率的鲁棒扰动分类。预测误差的分类性能与原始电流的分类性能相等。结果表明，负载相关预测误差不仅是预测不完美的残余；其时间结构可作为具身自我监测信号用于分类物理交互。
在预测处理框架中，预测误差（prediction error）通常被视为需要最小化的信号，但具身机器人必须区分自产生感觉后果与外部扰动。已有碰撞监测方法多依赖残差信号检测接触，却较少利用预测误差本身的时间结构来分类物理交互。针对这一问题，研究人员采用具身机器人平台Epi（Johansson等），其头部具有俯仰和偏航两个自由度，由Dynamixel MX-106R伺服电机驱动，内置UM7惯性测量单元（inertial measurement unit, IMU），并刻意不提供触觉反馈。研究人员训练窗口化多层感知机（multilayer perceptron, MLP）作为内部生成模型，从本体感觉、惯性及伺服电流历史预测下一步伺服电流，以伺服电流作为关节负载的代理。训练数据来自2,000次随机伺服位置转换，模拟“运动胡言乱语”，以40 Hz采样，并分为80%训练集和20%测试集。模型比较了三种输入特征集（仅位置、位置+惯性数据、位置+电流历史）和六种历史滞后长度（0、1、3、5、10、15）。最优模型转换为TensorFlow Lite后实时部署，在五种条件下进行分类实验：短暂手动推动、持续手动力、障碍物拦截30°运动、无扰动5°运动和无扰动30°运动；俯仰与偏航电机各250次试验，共500次。从每段预测误差或原始电流信号中提取5个幅度特征、11个时间结构特征和4个离散余弦变换（discrete cosine transform, DCT）形态系数，使用随机森林分类器并进行嵌套交叉验证、Bootstrap置信区间估计和置换检验。结果支持中心假设：负载相关预测误差的时间动力学可用于分类不同外部扰动。该研究的意义在于证明预测误差不仅是预测不完美的残余，还可充当具身自我监测信号，其时间特征在缺乏视觉和触觉信息时仍足以支撑高准确率的扰动分类。
### 3.1 神经网络评估
通过比较不同特征集与历史长度的窗口化MLP的均方误差（mean squared error, MSE），研究发现：当历史滞后为0或1时，包含IMU特征的模型优于不含IMU的模型；但当历史滞后达到3及以上时，这种优势消失，表明网络可从足够的位置历史中隐式推断速度和加速度。加入伺服电流历史显著提高了预测性能，且一步历史滞后即已足够，更长历史未带来进一步改善。将所有MLP与匹配的自回归带外生输入（autoregressive with exogenous input, ARX）线性基线比较后发现，每个MLP特征集在所有历史滞后下均优于对应的ARX基线，说明MLP捕获了电流预测中的非线性时间结构。
### 3.2 扰动分类
实时部署中，不同扰动条件产生了不同的预测误差平均剖面：短暂推动伴随快速尖峰并在约400 ms内稳定；持续力产生长尾误差信号；障碍物拦截运动的误差振幅高于相同无扰动运动；无扰动30°运动的误差峰值大于5°运动。随机森林分类结果显示，使用预测误差特征时总体准确率达98.5%（95% CI [97.4%，99.6%]），各条件对角正确率≥98%；仅使用幅度特征准确率为95.9%，仅使用振幅归一化时间/形状特征准确率为97.6%；直接使用原始电流特征的准确率为98.5%，与预测误差特征相当。置换检验中100次随机排列均未达到观测准确率（零分布均值18.8% ± 3.1%，p = 0.0099），证明分类显著高于随机水平。最常见的误分类为持续力被误判为短暂推动（2%），另有少量短暂推动被误判为5°运动。特征重要性分析显示，时间质心（13.31%）和第一个相位箱均值（13.20%）最具判别力。
讨论部分指出，该研究在真实机器人上验证了预测误差时间结构可用于分类外部扰动，这是其主要贡献。IMU信息在足够历史滞后下变得冗余，因为本体感受历史可提供速度和加速度信息；电流历史则通过前馈和本体感受反馈在生物学上具有合理性。预测误差剖面可服务于自适应运动控制策略，例如推动触发重新定向、持续力触发顺从、障碍物触发停止。研究也承认其局限性：实验在单个双自由度平台上进行，扰动条件有限，手动扰动由单名操作者以一致方向施加，因此结果尚不能直接泛化到不同操作者、方向、运动背景或更复杂的交互。未来需进行系统泛化测试，并探索分层预测架构或更高自由度系统的可扩展性。
研究结论为：负载相关预测误差的动态不仅仅是不完美控制的结果，还携带关于环境的信息。通过使用窗口化多层感知机从本体感觉信号预测伺服电流，误差信号可用于扰动分类。此外，三个滞后的时间上下文使网络能够推断局部运动动力学，展示了内部生成模型无需专用惯性传感器即可学习身体隐式物理规律的能力。这些结果鼓励未来研究将此类内部模型扩展至分层和高自由度架构，以学习身体-环境动力学。
