Name: Entwerfen und Implementieren von Nervous System Simulationen auf LEGO Roboter (Video) | JoVE Journal
Uploaded: 2013-05-25T14:00:00.000+00:00
Duration: 10 min 34 s
Description: Lernen Sie Nervennetzwerk-Simulationen auf LEGO Mindstorms NXT zu implementieren. Diese Methode ermöglicht schnelles Prototyping und ethologische Vergleichsstudien mit Tiermodellen für Neurowissenschaft.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Wir danken Dr. Chris Rogers (Tufts University) für die Programmierung und Manuskript Anregungen. Wir danken Alex Giuliano und Deborah Lee für Video-Produktion zu unterstützen. Finanzierung durch ein NSF Graduate Research Fellowship und einer ONR MURI in der Synthetischen Biologie zur Verfügung gestellt.

1. Aufbau der Roboter-Modell <ol><li> Wählen Sie ein Modell Organismus zu studieren, das ist in der Literatur neuroethologischen vertreten. Wirbellose Regel machen gute Kandidaten, weil ihre relativ einfache Nervensysteme gut studiert haben und werden vor allem von den angeborenen Reflexen besteht. Wir zeigen diesen Ansatz mit der amerikanischen Hummer, Homarus americanus. </li><li> Wählen Sie gut untersucht reflexive Verhaltensweisen für die Modellierung Zwecke. Wir haben die Antworten auf Hummers antennal Biegung und Klaue Beule Erkennung gewählt, da das Tier reflexartig reagiert auf Biegen von Antennen zu rheotaxis (Orientierung, um den Wasserfluss) entlocken, während Klaue Kontakte vermitteln Hindernisvermeidung. Einfache Reflexe unter Berufung auf kreuzenden neuronalen Verbindungen von bilateral symmetrisch Sensoren sind gut für diese Art von Studie 1 geeignet. </li><li> Erstellen oder wählen Sie einen Roboter-Plattform mit geeigneten Sensoren für die ausgewählten Verhaltensweisen, um die neuronalen laufenNetzwerk-Simulation. Während eine dedizierte Roboter wie RoboLobster 12 oder der Sprawl (Kakerlake) Roboter-Familie 13 aufgebaut sein kann, hier benutzen wir eines kommerziell erhältlichen Kits, um die experimentellen Prozess beschleunigen. Der LEGO Mindstorms NXT 2.0 Kit und bietet Vorlagen, modulare Komponenten und Sensoren hergestellt, ermöglicht die schnelle physische Konstruktion des Roboters. </li><li> Wählen Sie bauen oder Sensoren, um die Modalitäten der Verhaltensweisen in Schritt 1.2 ausgewählt entsprechen. Sensoren aus dem LEGO Mindstorms-Kit kann Premade verwendet werden oder Homebrew-Sensoren 14,15 konstruiert werden. Wir haben das mitgelieferte LEGO Berührungssensor und eine benutzerdefinierte antennal Biegesensor bestehend aus einem FlexPoint Biegesensor gespleißt einem NXT-Anschluss ausgewählt. Um eine benutzerdefinierte resistive Stecker bauen, schneiden eine NXT-Anschluss Draht und löten die schwarzen und weißen Kabel an die Leitungen des Sensors. </li><li> Verwenden bisher veröffentlichten Studien neuroethologischen zu finden oder zu entwickeln, eine hypothetische neuronales Netz zur Modellierung purposes. Die Literatur hat verschiedene neuronale Netze vorgeschlagen, um das Verhalten in verschiedenen Modellorganismen zu erklären, von Hummern 16 bis 17 Neunauge. Funktionelle neuronale Einheiten sollten identifiziert und ihre synaptischen Verbindungen theoretisiert. Novel neuroethologischen Experimente können auch entwickelt und umgesetzt werden, wenn die Umstände es erlauben Labor. </li></ol> 2. Programmierung des Nervensystems <ol><li> LabVIEW-Software zusammen mit der LabVIEW-Modul für LEGO MINDSTORMS NXT auf Virtual Instruments (VIs), die für eine mathematische Gleichungen Neuron und Synapse Modell laufen zu schaffen. Während jede veröffentlichte Modell kann verwendet werden, empfehlen wir die diskrete Zeit map-based (DTM) Modell 18. Dies ermöglicht recheneffizienten Echtzeitbetrieb und gleichzeitig eine Vielzahl von neuronalen Feuerungsleistung Regime. Zwei Steuerparameter, alpha und Sigma, kann die Dynamik des simulierten Neuronen zu unterschiedlichen neuronalen Ausgang einschließlich toni erzeugenc Schmettern, chaotischen Feuern, Bersten und intrinsische Stille. LabVIEW VIs für LEGO Mindstorms für dieses Neuron-Modell finden Sie im Internet hier: <a href="http://myfiles.neu.edu/blustein.d/neurobots" target="_blank">http://myfiles.neu.edu/blustein.d/neurobots</a> </li><li> Platz VIs in einer While-Schleife, so dass das Netzwerk iterativ aktualisieren. </li><li> Verbinden präsynaptischen Neuron Spike Ausgänge über Synapsen postsynaptischen Neuronen. </li><li> Pass iterativ Aktualisieren von Parametern durch Schieberegister zur nächsten Berechnung Zyklus. Die DTM Modell Updates schnell (x) und langsame (y) dynamische Variablen, die in die nächste Iteration der Berechnungen übergeben werden. </li><li> Set Synapse Parameter Netzwerk Eigenschaften definieren. Für jede Synapse sind die synaptischen Stärke (gsyn), der Relaxation (Gamma) und die Umkehrung Potential (xrp) Koeffizienten in den DTM Modellgleichungen die synaptische Verhalten bestimmen. Der Wert ist ein Multi gsynZange, die die Größe der synaptischen aktuellen Effekt von einem Spike Veranstaltung, im Bereich von 0,0 (kein Effekt) bis 1,0 (100% Wirkung) bestimmt. Die Gamma-Wert ist ein Multiplikator, der die Geschwindigkeit des Zerfalls der synaptischen Stroms bestimmt, unabhängig von der Spitze Ereignisse, im Bereich von 0,0 (vollständige Zerfall) bis 1,0 (kein Zerfall). Der Wert xrp bestimmt die Höhe der Erregung oder Hemmung der Synapse, Werte typischerweise im Bereich von -3,0 bis 3,0 mit positiven Werten, die Anregung und negative Werte darstellen Hemmung. Die Werte können für Ihre spezifische Netzwerk Eigenschaften abgestimmt werden. Hier verwenden wir die folgenden Einstellungen: Gamma = 0,95, gsyn = 0,60 und xrp = 2,2 (erregende Synapse) oder -1.8 (hemmende Synapse). </li><li> Stellen alpha und sigma Regelparameter zur Grundlinie Neuronen-Aktivität ändern. Die Dynamik des Modells für vielfältige Steuerungsaufgaben Parameter werden an anderer Stelle ausführlich beschrieben, aber in der Regel 18, alpha </em&gt; &lt;4 erzeugt eigensicheren silent neuronale Aktivität für niedrige Sigma-Werte oder Tonic Spick für hohe Sigma-Werte. Der Übergang zwischen &quot;niedrig&quot; und &quot;hoch&quot; Sigma-Werte erfolgt in der Regel zwischen -1.0 und 1.0 in Abhängigkeit von der Alpha-Wert. Sprengung des Neuronen-Aktivität ist für alpha produziert&gt; 4 bei Sigma-Werte nahe Null sind. Hier verwenden wir alpha = 4.05 und sigma = -3.10. </li><li> LabVIEW VIs zur Eingabe Sensor-Informationen in Ihrem Netzwerk. Für Sensoren versehen, sind die VIs bereits innerhalb der Mindstorms LabVIEW-Modul zur Verfügung. Für benutzerdefinierte resistive Sensoren, verwenden Sie den Lichtsensor VI als Programmierumgebung. Informationen über das Erstellen von Homebrew-Sensoren können an anderer Stelle 14 gefunden werden. </li><li> Legen grafische Diagramme auf der Frontplatte des LabVIEW-Programm, um neuronale Aktivität zu visualisieren. </li><li> Vorübergehend ersetzen Sensoreingänge mit Frontplatte Schaltkästen, um manuell zu manipulieren den SensorInformationen gehen an das neuronale Netzwerk. </li><li> Führen Sie das neuronale Netzwerk und der manuellen Einstellung der Bedienelemente auf der Vorderseite zu vielfältigen sensorischen Input zu präsentieren. Bestätigen Sie, dass das Netzwerk qualitativ fungiert als bei bekannten Bedingungen vorhergesagt. </li><li> Passen Sie das Netzwerk als durch Änderung der Neuronen und Synapsen Parameter benötigt. Erste Versuche zur Optimierung sollte das Netzwerk, indem synaptischen Stärke (gsyn) der verschiedenen Synapsen erfolgen. Andere Parameter können müssen ebenfalls angepasst werden. </li><li> Sobald die Netzwerk-Funktionen mit qualitative Genauigkeit, ersetzen Sie die Frontplatte Schaltkästen mit dem Sensor-VIs. </li></ol> 3. Nervous System Simulation Testing <ol><li> Einrichten einer kontrollierten Umgebung, in der die Tier-und den Roboter unter ähnlichen Bedingungen zu beobachten. Wir verwenden einen rechteckigen Behälter mit Felsen Hindernisse (Abbildung 1). Der Tank entleert, um die LEGO Roboter im gleichen Raum unterzubringen. </li><li> Berg avideo Kamera Overhead zur Erfassung der Tier / Roboter Verhalten. Stellen Sie sicher, der Kontrast zwischen dem Motiv und Hintergrund ist hoch, für die automatische Tracking ermöglichen. Wir malten den Boden des Testtank weiß. </li><li> Legen Sie das Tier in der kontrollierten Umgebung und Video-Aufzeichnung das Verhalten. Achten Sie darauf, die sensorischen Fähigkeiten der Hummer mit denen der Roboter passen zu begrenzen. Hier beschränken wir die Hummers sensorischen Fähigkeiten durch das Abdecken der Augen mit einer Aluminiumfolie Maske und deafferenting Chemorezeptoren mit Süßwasser-19. </li><li> Passen Sie die Umgebung, um ein LEGO-Roboter (Entfernen von Wasser, falls erforderlich) zu entsprechen, und führen Sie den Roboter in der gleichen kontrollierten Umgebung. </li><li> Verwenden Sie ein MATLAB-Skript automatisch zu verfolgen, die Markierungen auf den Proben. Wir verwenden MouseLabTracker 20. </li><li> Erstellen und Vergleichen Vektor Plots der Tier-und Roboter-Bewegungen. </li><li> Ändern Sie das Nervensystem und wiederholen Sie die Schritte 3.3-3.6, wie verschiedene Aspekte der elektronischen beobachtenNervensystem betrifft das Verhalten des Roboters. Hier passen wir die synaptischen Stärke zwischen den Klauen Beule Sensor Neuronen und des motorischen Systems und Monitor Roboter Leistung im Vergleich zu der eines Hummer. Alternativ können die sensorischen Bedingungen im Testarena modifiziert werden und die Effekte in Roboter und Tier beobachtet. Zum Beispiel könnte die Arena hier beschriebenen verschiedenen Wassermengen unterzogen werden. </li></ol>

<ol><li>Braitenberg, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Taxis%2C+kinesis+and+decussation%5BTitle%5D)+AND+%22Prog.+in+Brain+Res%22%5BJournal%5D)">Taxis, kinesis and decussation.</a> Prog. in Brain Res. 17, 210-222 (1965).</li>
<li>Schregardus, D. S., Pieneman, A. W., Ter Maat, A., Jansen, R. F., Brouwer, F., Gahr, M. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+lightweight+telemetry+system+for+recording+neuronal+activity+in+freely+behaving+small+animals%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A lightweight telemetry system for recording neuronal activity in freely behaving small animals.</a> Journal of Neuroscience Methods. 155 (1), 62-71 (2006).</li>
<li>Kagaya, K., Takahata, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Readiness+discharge+for+spontaneous+initiation+of+walking+in+crayfish%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Readiness discharge for spontaneous initiation of walking in crayfish.</a> Journal of Neuroscience. 30 (4), 1348-1362 (2010).</li>
<li>Schrameck, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Crayfish+Swimming%3A+Alternating+Motor+Output+and+Giant+Fiber+Activity%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Crayfish Swimming: Alternating Motor Output and Giant Fiber Activity.</a> Science. 169 (3946), 698-700 (1970).</li>
<li>Kanz, J. E., Eberly, L. B., Cobbs, J. S., Pinsker, H. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuronal+correlates+of+siphon+withdrawal+in+freely+behaving+Aplysia%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Neuronal correlates of siphon withdrawal in freely behaving Aplysia.</a> J. Neurophysiol. 42 (6), 1538-1556 (1979).</li>
<li>Webb, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validating+biorobotic+models%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Validating biorobotic models.</a> Journal of Neural Engineering. 3, 1-20 (2006).</li>
<li>Wessnitzer, J., Asthenidis, A., Petrou, G., Webb, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+cricket-controlled+robot+orienting+towards+a+sound+source%5BTitle%5D)+AND+%22Proceedings+of+the+12th+Annual+conference+on+Towards+autonomous+robotic+systems%22%5BJournal%5D)">A cricket-controlled robot orienting towards a sound source.</a> Proceedings of the 12th Annual conference on Towards autonomous robotic systems. , 1-12 (2011).</li>
<li>Grasso, F., Atema, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integration+of+flow+and+chemical+sensing+for+guidance+of+autonomous+marine+robots+in+turbulent+flows%5BTitle%5D)+AND+%22Environ.+Fluid+Mech%22%5BJournal%5D)">Integration of flow and chemical sensing for guidance of autonomous marine robots in turbulent flows.</a> Environ. Fluid Mech. 2 (1), 95-114 (2002).</li>
<li>Westphal, A., Rulkov, N. F., Ayers, J., Brady, D., Hunt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+a+lamprey-based+robot+with+an+electronic+nervous+system%5BTitle%5D)+AND+%22Smart+Struct.+and+Systems%22%5BJournal%5D)">Controlling a lamprey-based robot with an electronic nervous system.</a> Smart Struct. and Systems. 8 (1), 39-52 (2011).</li>
<li>Chao, Z. C., Bakkum, D. J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shaping+embodied+neural+networks+for+adaptive+goal-directed+behavior%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Shaping embodied neural networks for adaptive goal-directed behavior.</a> PLoS Computational Biology. 4 (3), e1000042(2008).</li>
<li>Building nervous systems for robots: an interactive and collaborative neuroscience curriculum. Blustein, D., Schultheis, K., Ayers, J. National Science Teachers Association National Conference, San Francisco, C.A, , (2011).</li>
<li>Ayers, J., Blustein, D., Westphal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Conserved+Biomimetic+Control+Architecture+for+Walking%2C+Swimming+and+Flying+Robots%5BTitle%5D)+AND+%22Lect.+Notes+on+Artif.+Intelli%22%5BJournal%5D)">A Conserved Biomimetic Control Architecture for Walking, Swimming and Flying Robots.</a> Lect. Notes on Artif. Intelli. 7375, 1-12 (2012).</li>
<li>A Biologically Inspired Passive Antenna for Steering Control of a Running Robot. Cowan, N., Ma, E., Cutkosky, M., Full, R. Proceedings of ISRR'2003, , 541-550 (2003).</li>
<li>Gasperi, M., Hurbain, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGasperi%2C+M+%22Extreme+NXT%3A+Extending+the+LEGO+MINDSTORMS+NXT+to+the+Next+Level%22">Extreme NXT: Extending the LEGO MINDSTORMS NXT to the Next Level</a>. , Apress. Berkeley, C.A. (2007).</li>
<li>Gasperi, M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGasperi%2C+M+%22LabVIEW+for+LEGO+MINDSTORMS+NXT%22">LabVIEW for LEGO MINDSTORMS NXT</a>. , National Technology and Science Press. Allendale, N.J. (2008).</li>
<li>Kennedy, D., Davis, W. Chapter 27 Organization of invertebrate motor systems. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKennedy%2C+D+%22Handbook+of+Physiology%22">Handbook of Physiology</a>. 1, 1023-1088 (1977).</li>
<li>Buchanan, J., Grillner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Newly+identified+%22glutamate+interneurons%22+and+their+role+in+locomotion+in+the+lamprey+spinal+cord%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Newly identified "glutamate interneurons" and their role in locomotion in the lamprey spinal cord.</a> Science. 236 (4799), 312-314 (1987).</li>
<li>Rulkov, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+of+spiking-bursting+neural+behavior+using+two-dimensional+map%5BTitle%5D)+AND+%22Physical+Review+E%22%5BJournal%5D)">Modeling of spiking-bursting neural behavior using two-dimensional map.</a> Physical Review E. 65, (2002).</li>
<li>Derby, C. D., Atema, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Narrow-spectrum+chemoreceptor+cells+in+the+walking+legs+of+the+lobster%2C+Homarus+americanus%3A+Taste+specialists%5BTitle%5D)+AND+%22Journal+of+Comparative+Physiology+A%22%5BJournal%5D)">Narrow-spectrum chemoreceptor cells in the walking legs of the lobster, Homarus americanus: Taste specialists.</a> Journal of Comparative Physiology A. 146 (2), 181-189 (1982).</li>
<li>Tort, A. B. L., Neto, W. P., Amaral, O. B., Kazlauckas, V., Souza, D. O., Lara, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simple+webcam-based+approach+for+the+measurement+of+rodent+locomotion+and+other+behavioural+parameters%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A simple webcam-based approach for the measurement of rodent locomotion and other behavioural parameters.</a> Journal of Neuroscience Methods. 157 (1), 91-97 (2006).</li>
<li>Huxley, T. H. The Crayfish, An Introduction to the Study of Zoology. , C. Kegan Paul & Co. London. (1880).</li>
<li>Blustein, D., Ayers, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+conserved+network+for+control+of+arthropod+exteroceptive+optical+flow+reflexes+during+locomotion%5BTitle%5D)+AND+%22Lect.+Notes+on+Artif.+Intelli%22%5BJournal%5D)">A conserved network for control of arthropod exteroceptive optical flow reflexes during locomotion.</a> Lect. Notes on Artif. Intelli. 6226, 72-81 (2010).</li>
<li>Webb, B., Scutt, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simple+latency-dependent+spiking-neuron+model+of+cricket+phonotaxis%5BTitle%5D)+AND+%22Biological+Cybernetics%22%5BJournal%5D)">A simple latency-dependent spiking-neuron model of cricket phonotaxis.</a> Biological Cybernetics. 82 (3), 247-269 (2000).</li>
<li>Demarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Neurally+Controlled+Animat%3A+Biological+Brains+Acting+with+Simulated+Bodies%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">The Neurally Controlled Animat: Biological Brains Acting with Simulated Bodies.</a> Autonomous Robots. 11 (3), 305-310 (2001).</li>
<li>Novellino, A., D'Angelo, P., Cozzi, L., Chiappalone, M., Sanguineti, V., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+neurons+to+a+mobile+robot%3A+an+in+vitro+bidirectional+neural+interface%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">Connecting neurons to a mobile robot: an in vitro bidirectional neural interface.</a> Computational Intelligence and Neuroscience. , 12725(2007).</li>
</ol>

Die Autoren erklären, dass sie keine finanziellen Interessen haben.

Bei der Einleitung biorobotic Nervensystem Simulation Experimente, es gibt ein paar wichtige Leitlinien zu folgen. Die Wahl des richtigen Modells Organismus ist entscheidend: wählen Sie ein Organismus, der leicht zu erhalten und zu pflegen ist. Wirbellose sind ideal, weil sie in der Regel nicht erforderlich institutionellen Genehmigung für Experimente und ihre Tierhaltung Bedürfnisse sind oft weniger anspruchsvoll als die der Wirbeltiere. Aus wissenschaftlicher Sicht ist es sinnvoll, ein Tier, das eine etablierte neuroe...

Neurophysiologische Untersuchungen in den letzten 100 Jahren enorm unser Wissen über das Nervensystem Struktur und Funktion erweitert. Allerdings hat die Mehrheit der Nervensystem Forschung bislang auf die Verwendung von isolierten Präparaten oder zurückhaltend Untertanen verlassen. Zwar gibt es viele erfolgreiche Bemühungen um die neuronale Aktivität von frei lebenden Tier 2-5 aufnehmen, stellt die biorobotic Ansatz ein wertvolles Werkzeug für Nervensystem Manipulation ermöglichen, um zu testen Systemebene Neurowissenschaften Hypothesen 6. Simulierte Nervensysteme, die auf Roboter kann experimentell manipuliert werden und ermöglichen die Erweiterung der Software-Modellierung der physischen Welt. Dieser Ansatz wurde auch in der akademischen Welt 7,8 umgesetzt, aber der Prozess des Aufbaus eine biomimetische Roboter zum Testen von Hypothesen kann teuer und zeitaufwändig sein. Wir präsentieren eine Methode, um die biorobotic Ansatz unter Verwendung eines handelsüblichen Robotik k ausführenes (LEGO Mindstorms NXT 2.0). Das Ziel dieser Methode ist es, eine schnelle und effiziente Möglichkeit, Systeme Ebene Neurowissenschaften Hypothesen über Roboter 9 oder bio-hybriden 10 verkörpert neuronalen Netzes Simulationen testen bereitzustellen. Beschleunigung des Prozesses vom Hypothese zu experimentieren verbessert Produktivität in der Forschung. Die einfache LEGO Mindstorms-Plattform bietet eine Testumgebung für biomimetische Sensoren und neuronale Netze, die wir mit den amerikanischen Hummer (Homarus americanus) demonstrieren als Modellorganismus. Das Verfahren bietet auch eine leistungsfähige Hands-on-pädagogisches Werkzeug im Klassenzimmer als Studenten entwerfen und zu manipulieren Nervensystem für ihre eigenen Roboter 11.

entwerfen und implementieren von nervous system simulationen auf lego roboter

Designing and Implementing Nervous System Simulations on LEGO Robots

Wir präsentieren eine Methode, um die handelsüblichen LEGO Mindstorms NXT Roboter Plattform nutzen, um Systeme Ebene Neurowissenschaften Hypothesen zu testen. Der erste Schritt des Verfahrens ist es, ein Nervensystem Simulation der spezifischen reflexive Verhaltensweisen eines geeigneten Modells Organismus zu entwickeln, hier benutzen wir den amerikanischen Hummer. Exterozeptiven Reflexe von kreuzenden (Kreuzung) neuronalen Verbindungen vermittelt werden eines Tieres Taxis zu oder weg von einem Stimulus durch Braitenberg beschrieben und sind besonders gut geeignet für die Untersuchung mit dem NXT-Plattform zu erklären. 1 Das Nervensystem Simulation programmiert wird mithilfe von LabVIEW-Software auf dem LEGO Mindstorms Plattform. Sobald das Nervensystem richtig abgestimmt wird, werden Verhaltensexperimente am Roboter und am Tier unter identischen Umgebungsbedingungen ausgeführt. Durch die Steuerung der sensorischen Milieu von den Proben erlebt, können Unterschiede in Verhaltens-Ausgänge beobachtet werden. Diese Unterschiede können auf bestimmte deficienc hinweisenies im Nervensystem Modell und dienen dazu, die Iteration des Modells für das jeweilige Verhalten unter Studie zu informieren. Diese Methode ermöglicht die experimentelle Manipulation von elektronischen Nervensystem und dient als eine Möglichkeit, Neurowissenschaften Hypothesen speziell in Bezug auf die neurophysiologischen Grundlagen der einfachen angeborenen reflexive Verhaltensweisen zu erforschen. Der LEGO Mindstorms NXT-Kit bietet eine kostengünstige und effiziente Plattform, auf der vorläufigen biomimetische Roboter-Steuerung Systeme testen. Der Ansatz ist auch für die High-School-Klassenzimmer geeignet, um als Grundlage für einen Aufschlag hands-on inquiry-based Biorobotik Lehrplan.

Eingaben von einem Hummer Krallen in sein Nervensystem vermitteln Hindernis Verhandlung in einer neuen Umgebung. Abbildung 1 zeigt einen Screenshot des Videos verwendet werden, um das Verhalten eines LEGO-Roboter (Abbildung 1A) und einem Hummer (Abbildung 1B) im Test Arena analysieren. Der Test wurde Arena zwischen Tier und Roboter Tests, außer dass das Wasser aus dem Tank für den Roboter Studien entleert unverändert. Video-Tracking-Ergebnis...

Ein Ansatz zur Modellierung neuronalen Netzes auf der LEGO Mindstorms Robotik-Plattform vorgestellt. Das Verfahren stellt ein Simulationstool für wirbellose neurowissenschaftlichen Forschung sowohl in der Forschung Labor und Klassenzimmer. Diese Technik ermöglicht die Untersuchung von biomimetischen Prinzipien Robotersteuerung.

Entwerfen und Implementieren von Nervous System Simulationen auf LEGO Roboter

We present a method to use the commercially available LEGO Mindstorms NXT robotics platform to test systems level neuroscience hypotheses. The first step ...

Das übergeordnete Ziel dieser Methode besteht darin, Nervensystemsimulationen auf einer Robotikplattform schnell zu prototypisieren und zu testen. Dies wird erreicht, indem neuronale Netzwerksimulationen auf der Lego Mindstorms NXT-Plattform ausgeführt und Vergleichstests parallel zum Tiermodell durchgeführt werden. Zunächst wird ein Roboter als Plattform für die Nervensystemsimulation konstruiert.Ein hypothetisches neuronales Netzwerk, das auf einer neuroethologischen Studie basiert, wird anschließend entwickelt und auf die robotische Plattform programmiert. Es werden ethologische Studien durchgeführt, um die Leistung des hypothetischen neuronalen Netzwerks mit der des tierischen Nervensystems zu vergleichen. Mängel im Modell können identifiziert werden und dessen weitere Entwicklung beeinflussen; Hypothesen der Neurowissenschaften auf Systemebene können durch direkte Manipulation von Simulationsparametern überprüft werden.Hallo, ich bin Dan Bluestein vom Marine Science Center der Northeastern University. Hier werden wir eine Methode zur schnellen Umsetzung von Nervensystem-Simulationen auf einer robotischen Plattform demonstrieren. Durch die Entwicklung dieses Verfahrens für ein

designing-and-implementing-nervous-system-simulations-on-lego-robots

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

DNA-Origami ist eine leistungsfähige Methode zur Herstellung nanoskaliger Objekte präzise durch die Programmierung der Selbstorganisation von DNA-Molekülen. Hier beschreiben wir, wie DNA-Origami genutzt werden, um einen Roboter Roboter erfassen kann biologische Signale und reagiert durch Shape Shifting, anschließend auf eine gewünschte Wirkung weitergeleitet zu entwerfen.

Entwerfen einer Bio-responsive Robot von DNA Origami

In diesem Artikel wird ein experimenteller Rahmen zur Durchführung von Closed-Loop-Experimenten vorgestellt, in dem die Informationsverarbeitung (d.h. Codierung und Dekodierung) und das Lernen neuronaler Anordnungen während der kontinuierlichen Interaktion mit einem Roboterkörper untersucht werden.

Closed-loop Neuro-Roboter-Experimente zur Computational Eigenschaften Neuronale Netze Testen

Das übergeordnete Ziel dieser Methode ist es, ein SSVEP-basiertes experimentelles Verfahren zu etablieren, indem mehrere Softwareprogramme integriert werden, um die Untersuchung der Gehirn-Roboter-Interaktion mit humanoiden Robotern zu ermöglichen, die sowohl bei der Unterstützung von Kranken und älteren Menschen als auch bei der Ausführung unhygienischer oder gefährlicher Arbeiten vielversprechend ist.

SSVEP-basierten Versuchsdurchführung für Brain-Roboter-Interaktion mit Humanoide Roboter

Ein Paradigma ist für die Ausbildung und Analyse eines automatisierten Fach Erreichen Aufgabe in Ratten dargestellt. Die Analyse der Ziehversuche zeigt verschiedene Teilprozesse des motorischen Lernens.

Untersuchung Motorfaehigkeiten Lernprozesse mit einem Robotic Manipulandum

Wir präsentieren ein Protokoll auf modulare Bauweise und Produktion von intelligente Roboter zur Unterstützung wissenschaftlicher und technischer Arbeitnehmer intelligente Roboter mit spezielle Produktionsaufgaben design basierend auf persönliche Bedürfnisse und individuelle Gestaltung.

Der modulare Aufbau und die Produktion von eine intelligente Roboter, basierend auf einem geschlossenen Regelkreis-Strategie

Verteilte Roboterknoten liefern Sequenzen von Blaulichtreizen, um die Wachstumspfade von Kletterpflanzen zu steuern. Durch die Aktivierung des natürlichen Phototropismus führen die Roboter die Pflanzen durch binäre Links-Rechts-Entscheidungen und wachsen sie zu vordefinierten Mustern, die im Gegensatz dazu nicht möglich sind, wenn die Roboter schlummern.

Robotic Sensing und Stimuli-Regelung für geführtes Pflanzenwachstum

Dieses Protokoll enthält eine detaillierte Liste der Schritte, die für die Herstellung, Steuerung und Bewertung der Kletterleistung eines gecko-inspirierten Weichroboters durchgeführt werden müssen.

Herstellung, Steuerung und Leistungsbewertung eines Gecko-inspirierten Softroboters

Diese Arbeit beschreibt ein Online-Experimentiersystem, das visualisierte Experimente bereitstellt, einschließlich der Visualisierung von Theorien, Konzepten und Formeln, der Visualisierung des experimentellen Prozesses mit dreidimensionalen (3D) virtuellen Prüfständen und der Visualisierung des Steuerungs- und Überwachungssystems mit Widgets wie Diagrammen und Kameras.

Interaktives und visualisiertes Online-Experimentiersystem für Ingenieurausbildung und -forschung

Es wird geschätzt, dass 1 von 6 Menschen weltweit in ihrem Leben einen Schlaganfall erleiden wird, der zu langfristigen Behinderungen führt, deren Rehabilitationsmechanismen noch wenig verstanden sind. Diese Studie schlägt ein Protokoll zur Bewertung der Gehirnaktivierung durch funktionelle Nahinfrarotspektroskopie (fNIRS) während einer Robotertherapiesitzung der unteren Extremitäten vor.

Ein Experiment mit funktioneller Nahinfrarotspektroskopie und robotergestützten Mehrgelenk-Zeigebewegungen der unteren Extremität

Hier stellen wir ein Protokoll für die Simulation und Überwachung eines skalierten halbautomatischen Montageprozesses vor, durch die Zusammenarbeit eines kollaborativen Roboters und die Verifizierung über ein Computer-Vision-System zur Qualitätskontrolle.

Simulation eines skalierten Montageprozesses in Zusammenarbeit mit einem Roboterarm und Überwachung durch ein Bildverarbeitungssystem zur Qualitätskontrolle

Lernen Sie Nervennetzwerk-Simulationen auf LEGO Mindstorms NXT zu implementieren. Diese Methode ermöglicht schnelles Prototyping und ethologische Vergleichsstudien mit Tiermodellen für Neurowissenschaft.

Entwerfen und Implementieren von Nervous System Simulationen auf LEGO Roboter

Weitere Videos entdecken