Robot sáu chân sử dụng 18 động cơ servo AX-12A, mỗi chân có 3 khớp. Dữ liệu huấn luyện được thu thập bằng cách gửi các góc ngẫu nhiên đến robot và theo dõi chuyển động bằng camera gắn trần, dùng OpenCV để trích xuất thông tin vị trí và góc quay.

Mô hình vật lý được xây dựng bằng Bullet Physics Engine, gồm các tham số như hệ số ma sát, damping tuyến tính/góc, tốc độ động cơ, độ dốc, biên, và lực khởi động. Các tham số này được tối ưu bằng giải thuật di truyền (GA) để khớp với dữ liệu thực tế.

SNNs gồm ba mạng riêng biệt để dự đoán Δx, Δy và Δθ, mỗi mạng nhận 36 đầu vào (18 góc ban đầu và 18 góc mục tiêu). Kiến trúc mạng được thử nghiệm với nhiều tầng ẩn và số lượng neuron khác nhau, dùng Keras và TensorFlow để huấn luyện. Mạng tốt nhất là mạng một tầng ẩn với 100–200 neuron.

So sánh độ chính xác cho thấy SNNs và mô hình vật lý tối ưu có sai số tương đương, nhưng SNNs có độ ổn định cao hơn và sai số thấp hơn mô hình chưa tối ưu. Về hiệu năng, SNNs nhanh hơn mô hình vật lý hơn 1000 lần khi đánh giá một bộ điều khiển.

Tiến hóa bộ điều khiển bằng GA, mỗi cá thể gồm 10 bộ góc động cơ. Bộ điều khiển được đánh giá bằng khoảng cách Euclid mà robot di chuyển. Có thử nghiệm thêm việc tiêm nhiễu Gaussian vào mô phỏng để tăng khả năng chuyển giao sang thực tế.

Kết quả thực nghiệm: bộ điều khiển tiến hóa bằng SNNs giúp robot di chuyển xa hơn trong thực tế so với mô hình vật lý. Việc tiêm nhiễu không cải thiện rõ rệt khả năng chuyển giao. SNNs tạo ra bộ điều khiển có xu hướng di chuyển về phía trước, trong khi mô hình vật lý tạo ra chuyển động đối xứng hơn.

Kết luận: SNNs là phương pháp mô phỏng hiệu quả, dễ xây dựng, nhanh và chính xác, phù hợp cho Evolutionary Robotics. Đề xuất nghiên cứu thêm mô hình lai giữa SNNs và mô hình vật lý để tăng độ chính xác.