O controle motor humano sempre foi eficiente na execução de movimentos complexos naturalmente, eficientemente, e sem muito pensamento envolvido. Isso se deve à existência de sinergia motora no sistema nervoso central (SNC). A sinergia motora permite que o SNC use um conjunto menor de variáveis ​​para controlar um grande grupo de músculos; simplificando assim o controle sobre movimentos coordenados e complexos.

Agora, pesquisadores da Tohoku University observaram um conceito semelhante em agentes robóticos usando algoritmos de aprendizado por reforço profundo (DRL).

O DRL permite que os agentes robóticos aprendam a melhor ação possível em seu ambiente virtual. Ele permite que tarefas robóticas complexas sejam resolvidas enquanto minimiza as operações manuais e atinge o desempenho máximo. Algoritmos clássicos, por outro lado, requerem intervenção manual para encontrar soluções específicas para cada nova tarefa que aparece.

Contudo, aplicar sinergia motora do mundo humano ao mundo robótico não é uma tarefa fácil. Embora muitos estudos apoiem o emprego de sinergia motora no controle motor humano e animal, o processo de segundo plano ainda é amplamente desconhecido.

No estudo atual, pesquisadores da Tohoku University utilizaram dois algoritmos DRL em agentes robóticos ambulantes conhecidos como HalfCheetah e FullCheetah. Os dois algoritmos eram TD3, um DRL clássico, e SAC, um DRL de alto desempenho.

Os dois agentes robóticos foram encarregados de avançar o mais longe possível dentro de um determinado tempo. No total, os agentes robóticos completaram 3 milhões de etapas. As informações de sinergia não foram utilizadas vis-à-vis os DRLs, mas os agentes robóticos demonstraram o surgimento de sinergia motora ao longo de seus movimentos.

Mitsuhiro Hayashibe, Professor da Tohoku University e co-autor do estudo, notas, "Primeiro, confirmamos de forma quantitativa que a sinergia motora pode surgir mesmo no aprendizado profundo, como acontece com os humanos." O professor Hayashibe acrescenta, "Depois de empregar o aprendizado profundo, os agentes robóticos melhoraram seu desempenho motor, limitando o consumo de energia, empregando sinergia motora. "

Daqui para frente, os pesquisadores pretendem explorar mais tarefas com diferentes modelos corporais para confirmar ainda mais suas descobertas.