人体是一台精密的机器，它可以自然、高效、不需要太多思考地做出一系列复杂动作，这要归功于中枢神经系统(CNS)的运动协同作用。运动协同作用本质上就是中枢神经系统使用一组小的变量来控制一大群肌肉，从而简化了对协调复杂动作的控制。

这给日本东北大学的研究人员带来了灵感，他们表示，机器人agent使用的深度强化学习(DRL)算法也蕴涵有类似的概念。相关论文Motor Synergy Development in High-Performing Deep Reinforcement Learning Algorithms(高性能深度强化学习算法中的运动协同发展)发表在了《IEEE机器人和自动化通讯》上。

DRL允许机器人agent在虚拟环境中学习操作，寻找最佳方案，它使得机器人进行复杂任务的过程中，将手动操作的比例下降到极点，还能达到最佳性能。相较而言，传统算法需要大量人工干预，为出现的每个新任务找到特定的解决方案。

在目前的研究中，日本东北大学的研究人员将DRL算法用在了2种机器人agent上，分别称作“半豹”和“全豹”，对应的2种算法分别是TD3(一种经典的DRL)和SAC(一种高性能的DRL)。

这2个机器人特工的任务是在给定的时间内尽可能地向前跑。最终，机器人总共向前走了300万步，其中，虽然研究人员没有在DRL中添加任何关于运动协同的代码，但机器人agent在他们的整个运动过程中确实展示出了运动协同效应。

东北大学(Tohoku University)教授、研究合著者Mitsuhiro Hayashibe指出:“我们首次以定量的方式证实，即使在深度学习中，运动协同也可以像人类一样出现。”Hayashibe教授补充道:“在采用深度学习之后，这些机器人代理人改善了他们的运动性能，同时通过使用运动协同来限制能量消耗。”

不过，将人类世界的运动协同作用应用到机器人世界绝非易事。接下来，研究人员打算用不同的身体模型来探索更多的任务，以进一步证实他们的发现。

参考文献：

[1] https://ieeexplore.ieee.org/document/8966298