This thesis presents a bio-physically plausible closed-loop control architecture that replaces simplified rigid-body simulations with realistic musculoskeletal dynamics to advance Spiking Neural Network motor control research. Operating within a Multi-Input Single-Output (MISO) framework due to muscular redundancy, a 1 Degree-of-Freedom human elbow model (myoElbow) from the MyoSuite framework was simulated inside the MuJoCo physics engine. An entropy minimization strategy was employed to model co-contraction and to distribute the requested torque among multiple muscles in a realistic manner, without the need to complicate the Spiking Neural Network's morphology. To avoid the prohibitive computational costs of real-time static optimization, we developed an offline, multidimensional Look-Up Table containing the solutions to the muscle force distribution problem. The Look-Up Table maps target joint angles and requested torques to optimal muscle activations and can be quickly accessed by the controller by interpolation. A proportional-integral controller using this method demonstrated robust trajectory tracking under external force-field disturbances. Finally, we integrate the simulation with a cerebellar-inspired SNN implemented in NEST and orchestrated via NRP-core, providing a highly scalable infrastructure for studying adaptive feedforward control, co-contraction, and resilience to non-stationary biological conditions like muscle fatigue.

Questa tesi presenta un’architettura di controllo ad anello chiuso biofisicamente plausibile che sostituisce le simulazioni semplificate a corpo rigido con dinamiche muscoloscheletriche realistiche, con l’obiettivo di far progredire la ricerca sul controllo motorio tramite Spiking Neural Networks. Operando in un quadro Multi-Input Single-Output (MISO) a causa della ridondanza muscolare, è stato simulato nel motore fisico MuJoCo un modello di gomito umano a 1 grado di libertà (myoElbow) tratto dal framework MyoSuite. È stata adottata una strategia di minimizzazione dell’entropia per modellare la co-contrazione e distribuire la coppia richiesta tra più muscoli in modo realistico, senza dover complicare la morfologia della Spiking Neural Network. Per evitare i costi computazionali proibitivi dell’ottimizzazione statica in tempo reale, abbiamo sviluppato una Look-Up Table multidimensionale offline contenente le soluzioni al problema della distribuzione delle forze muscolari. La Look-Up Table mette in corrispondenza angoli articolari target e coppie richieste con attivazioni muscolari ottimali e può essere rapidamente consultata dal controllore tramite interpolazione. Un controllore proporzionale-integrale che utilizza questo metodo ha dimostrato un robusto inseguimento di traiettoria in presenza di disturbi dovuti a campi di forze esterni. Infine, integriamo la simulazione con una SNN di ispirazione cerebellare implementata in NEST e orchestrata tramite NRP-core, fornendo un’infrastruttura altamente scalabile per lo studio del controllo feedforward adattivo, della co-contrazione e della resilienza a condizioni biologiche non stazionarie come l’affaticamento muscolare.

Closing the loop on musculoskeletal dynamics: interfacing a spiking neural network controller with a human arm model

FROSOLINI, FRANCESCO
2025/2026

Abstract

This thesis presents a bio-physically plausible closed-loop control architecture that replaces simplified rigid-body simulations with realistic musculoskeletal dynamics to advance Spiking Neural Network motor control research. Operating within a Multi-Input Single-Output (MISO) framework due to muscular redundancy, a 1 Degree-of-Freedom human elbow model (myoElbow) from the MyoSuite framework was simulated inside the MuJoCo physics engine. An entropy minimization strategy was employed to model co-contraction and to distribute the requested torque among multiple muscles in a realistic manner, without the need to complicate the Spiking Neural Network's morphology. To avoid the prohibitive computational costs of real-time static optimization, we developed an offline, multidimensional Look-Up Table containing the solutions to the muscle force distribution problem. The Look-Up Table maps target joint angles and requested torques to optimal muscle activations and can be quickly accessed by the controller by interpolation. A proportional-integral controller using this method demonstrated robust trajectory tracking under external force-field disturbances. Finally, we integrate the simulation with a cerebellar-inspired SNN implemented in NEST and orchestrated via NRP-core, providing a highly scalable infrastructure for studying adaptive feedforward control, co-contraction, and resilience to non-stationary biological conditions like muscle fatigue.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
Questa tesi presenta un’architettura di controllo ad anello chiuso biofisicamente plausibile che sostituisce le simulazioni semplificate a corpo rigido con dinamiche muscoloscheletriche realistiche, con l’obiettivo di far progredire la ricerca sul controllo motorio tramite Spiking Neural Networks. Operando in un quadro Multi-Input Single-Output (MISO) a causa della ridondanza muscolare, è stato simulato nel motore fisico MuJoCo un modello di gomito umano a 1 grado di libertà (myoElbow) tratto dal framework MyoSuite. È stata adottata una strategia di minimizzazione dell’entropia per modellare la co-contrazione e distribuire la coppia richiesta tra più muscoli in modo realistico, senza dover complicare la morfologia della Spiking Neural Network. Per evitare i costi computazionali proibitivi dell’ottimizzazione statica in tempo reale, abbiamo sviluppato una Look-Up Table multidimensionale offline contenente le soluzioni al problema della distribuzione delle forze muscolari. La Look-Up Table mette in corrispondenza angoli articolari target e coppie richieste con attivazioni muscolari ottimali e può essere rapidamente consultata dal controllore tramite interpolazione. Un controllore proporzionale-integrale che utilizza questo metodo ha dimostrato un robusto inseguimento di traiettoria in presenza di disturbi dovuti a campi di forze esterni. Infine, integriamo la simulazione con una SNN di ispirazione cerebellare implementata in NEST e orchestrata tramite NRP-core, fornendo un’infrastruttura altamente scalabile per lo studio del controllo feedforward adattivo, della co-contrazione e della resilienza a condizioni biologiche non stazionarie come l’affaticamento muscolare.
File allegati
File Dimensione Formato  
Frosolini_2110.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Master Thesis
Dimensione 3 MB
Formato Adobe PDF
3 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261455