본 논문은 지속적인 운동 제어에 대한 스파이킹 신경망(SNNs)의 적용이 제한적인 현실 속에서, 다자유도 로봇 팔을 지속적인 환경에서 제어하기 위해 완전 스파이킹 아키텍처를 end-to-end로 훈련시킬 수 있음을 보여줍니다. 예측 제어 프레임워크는 누설-적분-발사(Leaky Integrate-and-Fire) 역학과 대리 기울기를 결합하여 역학 예측을 위한 순방향 모델과 목표 지향적 행동을 위한 정책 네트워크를 공동으로 최적화합니다. 2차원 도달 과제와 시뮬레이션된 6-DOF Franka Emika Panda 로봇에서 이 방법을 평가하여 SNNs가 안정적인 훈련과 정확한 토크 제어를 달성할 수 있음을 보여주고, 고차원 운동 과제에 대한 실행 가능성을 확립합니다. 광범위한 ablation study를 통해 초기화, 학습 가능한 시간 상수, 그리고 정규화가 훈련 역학을 형성하는 역할을 강조합니다. 안정적이고 효과적인 제어를 달성할 수 있지만, 순환 스파이킹 네트워크는 여전히 하이퍼파라미터 설정에 매우 민감하다는 결론을 내리고, 원칙적인 설계 선택의 중요성을 강조합니다.
