Central Pattern Generators (CPGs) models have been long used to investigate both the neural mechanisms that underlie animal locomotion as well as a tool for robotic research. In this work we propose a spiking CPG neural network and its implementation on neuromorphic hardware as a means to control a simulated lamprey model. To construct our CPG model, we employ the naturally emerging dynamical systems that arise through the use of recurrent neural populations in the Neural Engineering Framework (NEF). We define the mathematical formulation behind our model, which consists of a system of coupled abstract oscillators modulated by high-level signals, capable of producing a variety of output gaits. We show that with this mathematical formulation of the Central Pattern Generator model, the model can be turned into a Spiking Neural Network (SNN) that can be easily simulated with Nengo, an SNN simulator. The spiking CPG model is then used to produce the swimming gaits of a simulated lamprey robot model in various scenarios. We show that by modifying the input to the network, which can be provided by sensory information, the robot can be controlled dynamically in direction and pace. The proposed methodology can be generalized to other types of CPGs suitable for both engineering applications and scientific research. We test our system on two neuromorphic platforms, SpiNNaker and Loihi. Finally, we show that this category of spiking algorithms shows a promising potential to exploit the theoretical advantages of neuromorphic hardware in terms of energy efficiency and computational speed.

中文翻译：

---

尖刺中央模式发生器，用于控制在SpiNNaker和Loihi神经形态板上运行的模拟七lamp机器人

中央模式生成器（CPG）模型长期以来一直用于研究构成动物运动基础的神经机制以及用于机器人研究的工具。在这项工作中，我们提出了一个尖峰CPG神经网络及其在神经形态硬件上的实现，作为控制模拟七lamp鳗模型的一种手段。要构建我们的CPG模型，我们使用通过在神经工程框架（NEF）中使用递归神经种群而产生的自然出现的动力学系统。我们在模型背后定义了数学公式，该模型由一个由高电平信号调制的耦合抽象振荡器系统组成，该系统能够产生各种输出步态。我们展示了中央模式生成器模型的这种数学公式，该模型可以转换为尖峰神经网络（SNN），可以使用SNN模拟器Nengo轻松对其进行仿真。然后，将尖峰CPG模型用于在各种情况下生成模拟油烟机器人模型的游泳步态。我们表明，通过修改网络的输入（可以由感官信息提供），可以动态控制机器人的方向和速度。所提出的方法可以推广到适用于工程应用和科学研究的其他类型的CPG。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。一个SNN模拟器。然后，将尖峰CPG模型用于在各种情况下生成模拟油烟机器人模型的游泳步态。我们表明，通过修改网络的输入（可以由感官信息提供），可以动态控制机器人的方向和速度。所提出的方法可以推广到适用于工程应用和科学研究的其他类型的CPG。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。一个SNN模拟器。然后，将尖峰CPG模型用于在各种情况下生成模拟油烟机器人模型的游泳步态。我们表明，通过修改网络的输入（可以由感官信息提供），可以动态控制机器人的方向和速度。所提出的方法可以推广到适用于工程应用和科学研究的其他类型的CPG。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。我们表明，通过修改网络的输入（可以由感官信息提供），可以动态控制机器人的方向和速度。所提出的方法可以推广到适用于工程应用和科学研究的其他类型的CPG。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。我们表明，通过修改网络的输入（可以由感官信息提供），可以动态控制机器人的方向和速度。所提出的方法可以推广到适用于工程应用和科学研究的其他类型的CPG。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。我们在两个神经形态平台SpiNnaker和Loihi上测试我们的系统。最后，我们证明了这种峰值算法在利用神经形态硬件的能量效率和计算速度方面具有潜在的发展潜力。