骷髅手“盘子核桃”你见过吗？这只神奇的“手”来自Meta刚刚发布的人工智能平台MyoSuite。嗯……终结者的既视感是有的。肖战：元界的“阿凡达”拯救了世界。传统行业流行一句话，“一流企业做标准，二流企业做品牌，三流企业做产品”。虽然这句话有点绝对，很多参与行业标准制定的一流企业、品牌和产品都是一流的，但这句话背后主要是凸显了“标准”对于一个行业的重要性。谁掌握了标准，谁就拥有制定游戏规则的话语权，谁就有潜力成为行业的领跑者。AI时代，科技巨头也在争夺“标准”这个商业高地，只是换了很多新名字，比如框架、平台、基准等，或多或少都有行业标准的意思。元也不例外。当然，按照小扎不惜改名的AllinMetaverse操作，在Metaverse一切皆有可能。我们可以训练模型来执行复杂的动作，例如转动笔或转动钥匙。这项研究不仅可以加速假肢、身体康复和外科技术的发展，而且还可以帮助我们为Metaverse开发更逼真的化身。我们将开源这些模型，以便研究人员可以使用它们进一步推进该领域。额，没想到下图竟然是转笔，不是“抢坛子”……不过，这确实有点太粗了！顺便说一句，还有一个交钥匙。（习惯了就不用再吐槽了）言归正传，虽然看起来模型还处于早期阶段，但是各种细节的把控已经相当完美了。滑动控制条伸出大拇指，然后依次收回剩下的四指，最后转动手臂……在此，给大家竖起大拇指！另外，如果研究能够取得进一步的进展，Meta的“阿凡达”确实可以拥有一套解剖学上正确的骨骼和动作，而不仅仅是一个简单的可爱卡通形象。神经智能和运动智能的“大统一”生物越聪明，它表现出的运动行为就越复杂。因此，需要考虑的一个重要问题是：是什么驱动了如此复杂的决策以及执行这些决策的电机控制？Meta认为，MyoSuite就是为了探索这个问题而开发的。论文地址：https://drive.google.com/file/d/10Le1OmOpy-Veb7n41ywrYLxyipoGfHtt/viewMyoSuite提供了一套肌肉骨骼模型和任务套件，利用机器学习解决生物力学控制问题。Meta表示，MyoSuite的另一个重要意义是统一了智能的两个方面：运动智能和神经智能，并为机器学习社区开源了一套全面的基准。人体生物力学是一个复杂的多关节、多致动器肌肉骨骼系统。一块肌肉的收缩涉及多个关节的屈曲，每个关节的运动又受多块肌肉的控制。在这样一个复杂的系统中，智能行为的综合和表达需要中枢神经系统和外周肌肉骨骼系统之间的有效协调，中枢神经系统综合了数十亿神经元网络的决策，外周肌肉骨骼系统将这些意图转化为行动。MyoSuite是通过对现有模型和功能研究的深入研究而开发的。其研发基础是手臂和手的OpenSim模型，已广泛应用于人体神经机械控制、人机交互和康复等领域。为了在MuJoCo中实施这些模型，研究人员开发了一个管道来开发用于骨骼和肌肉附件的几何变换、手臂力矩优化和肌肉力量优化的新模型。MyoSuite结合了多种生理学上准确的肌肉骨骼模型的测试。具体模型构建可分为三个步骤：1.几何转换。包括关节几何形状、肌肉附着点和包裹表面变换。此步骤建立在以前的工作之上。2.动力臂优化。优化MuJoCo中包裹面的3D位置。与参考OpenSim模型匹配的力臂在MuJoCo中的3D包络位置。3.肌肉力量优化：优化MuJoCo中的肌肉参数，实现与控制OpenSim模型相匹配的肌肉力量。经过严格的建模和验证，最终建立了三个不同复杂程度的模型。MyoSuite中包含肌肉骨骼模型。A：MyoFinger（4个关节，5块肌肉），B：MyoElbow：（1个关节，6块肌肉）。C：MyoHand（23个关节，39块肌肉）。手指（MyoFinger）：首先构建一个简化且直观的模型，一个4自由度(DoF)手指（MyoFinger，上图A），它由一系列简化的5个拮抗肌腱单元驱动。研究团队为其提供了一个简单的扭矩驱动器，以方便进行比较研究。Elbow(MyoElbow)：一个单自由度的人体肘关节模型，基于OpenSim的默认设置来测试手臂模型，并使用多个激动剂/拮抗剂对（3个屈肌和3个伸肌）来驱动（上图B）。手（MyoHand）：实际上包括前臂、手腕和手。灵巧的人手需要协调多块高度冗余的肌肉，这些肌肉对各种关节具有互补和拮抗作用。这个更复杂的肌肉骨骼模型由29块骨头、23个关节和39个肌腱单元组成（上图C）。多年来，人工智能领域一直试图通过神经架构或神经网络来模仿智能行为。然而，在生物力学界，肌肉骨骼系统主要是通过体内和体外研究独立开发的，以了解外围的驱动力。借助MyoSuite，研究人员有望在感觉运动控制的细节方面取得更大进展，依靠不同的本体感受信号来协调全身运动控制，这需要在丰富的交互环境中表现出智能行为。MyoSuite的生理逼真肌肉骨骼模型的计算效率和可扩展性是现有模型的4000倍。有如此强大的资源和计算效率做支撑，自然是一只手转动钢笔、转动钥匙、转动核桃。而且，这些“花作业”就是告诉你MyoSuite未来“能做什么”，“能做什么”。Meta还表示，主要是运动康复、假肢开发和人体工学应用。也许未来的假肢比原来的更好？说起MuJoCo的开源，从AlphaGo到MuZero，机器学习算法在过去解决了很多复杂的问题，但是在复杂运动控制方向并没有得到广泛应用。Meta认为，主要原因是缺乏与复杂的外部环境互动的能力。.换句话说，现有的框架既没有嵌入复杂和熟练的运动任务，也没有足够的计算效率或可扩展性来满足机器学习算法的数据需求。Meta说，MyoSuite有望填补这些空白。目前，MyoSuite已经在MacOs和Linux上使用MuJoCov2.1.0进行了测试。巧合的是，DeepMind也在同一天开源了MuJoCo。项目地址：https://github.com/deepmind/mujocoMuJoCo最初由华盛顿大学运动控制实验室主任、神经科学家EmoTodorov开发，2015年通过创业公司RobiLLC打造为商业产品。2021年10月，DeepMind宣布收购MuJoCo物理模拟器，并承诺将MuJoCo开发和维护为免费、开源、社区驱动的项目。对于当前的机器人研究，物理模拟器是一个关键工具。通常可以分为商业闭源软件和学术开源软件。第一类对用户来说是不透明的，虽然有时可以免费使用，但不能修改且难以理解。第二类通常具有较小的用户群，并且在其开发人员和维护人员毕业时受到影响。MuJoCo是为数不多的由老牌公司支持的全功能模拟器之一，而且它是真正的开源软件。作为一个研究驱动型组织，DeepMind将MuJoCo视为一个协作平台，机器人专家和工程师可以在这里加入我们，共同开发世界上最好的机器人模拟器之一。目前，DeepMind的开源工作已经完成，MuJoCo的整个代码库已经上传到GitHub。
