Проектирование и реализация системы Нервная Симуляторы на LEGO роботы
25 мая 2013 г.
Подход к моделированию нейронных сетей на платформе LEGO Mindstorms робототехника представлена. Метод обеспечивает инструмент для моделирования беспозвоночных нейронаук как в исследовательской лаборатории и в классе. Этот метод позволяет производить исследование биомиметическую принципы управления роботом.
Общая цель этого метода заключается в быстром прототипировании и тестировании симуляций нервной системы на роботизированной платформе. Это достигается за счет запуска нейросетевого моделирования на платформе Lego Mindstorms NXT и параллельного сравнительного тестирования с моделью животного. Во-первых, создается робот, который будет использоваться в качестве платформы для моделирования нервной системы.
Затем на роботизированной платформе разрабатывается гипотетическая нейронная сеть, основанная на нейроэтологических исследованиях, которая программируется. Этологические исследования проводятся для сравнения производительности гипотетических нейронных сетей с нервной системой животных. Недостатки в модели могут быть выявлены и информированы о ее дальнейшем развитии на системном уровне, гипотезы нейронауки могут быть проверены путем прямого манипулирования параметрами симуляции.
Здравствуйте, меня зовут Дэн Блустейн из Центра морских наук Северо-Восточного университета. В этой статье мы продемонстрируем подход к быстрому внедрению симуляций нервной системы на роботизированной платформе. Разработав эту процедуру для использования на коммерчески доступном наборе робототехники, мы сделали этот биороботизированный подход к нейронауке недорогим, эффективным и доступным для исследователей без опыта робототехники.
Этот подход также хорошо подходит для старших классов и колледжей, чтобы служить основой для учебной программы по биоробототехнике, основанной на практических исследованиях. Первым шагом в создании роботизированной платформы является выбор модельного организма для изучения, который хорошо представлен в нейроэтологической литературе. Беспозвоночные обычно являются хорошими кандидатами, потому что их относительно простые нервные системы хорошо изучены и в основном состоят из врожденных рефлексов.
Такой подход мы продемонстрируем на примере американского омара Hamas Americana. Следующим шагом является выбор хорошо изученных рефлексивных моделей поведения для целей моделирования. С помощью омара мы можем исследовать реакцию на интенс, изгиб, удар когтями и оптический поток.
Простые рефлексы, опирающиеся на нейронные связи с двусторонним путем. Симметричные датчики хорошо подходят для этого типа исследований. Используя набор Lego Mindstorms NXT 2.0, соберите робота, который максимально соответствует строению тела модели животного.
Можно использовать и другие роботизированные платформы, но коммерчески доступный комплект, который мы здесь используем, позволяет быстро внедрить. Следующим шагом является оснащение робота датчиками, которые соответствуют системам, выбранным для исследования датчиков. Входящий в комплект Lego Mindstorms можно использовать или сконструировать датчики для домашнего пивоварения, как описано в различных опубликованных материалах.
Мы используем сенсорный датчик Lego, специальный датчик изгиба точки антенны Flex и оптический датчик потока, разработанный Centi Incorporated, для создания пользовательского резистивного разъема, такого как антенный датчик, соединяем провод разъема NXT и припаиваем черный и белый провода к выводам датчика. Для начала программирования симуляции нервной системы используйте ранее опубликованные нейроэтологические исследования для разработки нейронной сети для целей моделирования. В литературе предложены нейронные сети для объяснения поведения различных модельных организмов от омаров до лампры, должны быть выявлены функциональные нейронные единицы и их синаптические связи.
Теоретические новые нейроэтологические эксперименты также могут быть разработаны и реализованы, если позволяют лабораторные условия. Используйте программное обеспечение LabVIEW для программирования сети для платформы Lego Mindstorms. Используются виртуальные инструменты или BIS для модели нейрона и синапса, которые можно найти в Интернете.
Мы рекомендуем модель на основе дискретной временной карты, разработанную компанией Roloff, поскольку она обеспечивает вычислительно эффективную работу в режиме реального времени, сохраняя при этом различные режимы вывода нейронного возбуждения и два контрольных параметра. Альфа и Сигма определяют динамику моделируемого нейрона, чтобы получить различные выходы, включая тонику, спайкинг, хаотичное возбуждение, взрыв и внутреннюю тишину. Lab view предоставляет интуитивно понятную графическую среду программирования, которая позволяет быстро развертывать нейроны и синапсы в цикле while, чтобы сеть обновлялась итеративно.
Затем соедините выходы шипов пресинаптических нейронов через синапсы с постсинаптическими нейронами. Затем передайте итерационное обновление параметров через регистры сдвига на следующий цикл расчета. Модель ЦМР обновляет быстрые и медленные динамические переменные, которые передаются на следующую итерацию вычислений.
Для определения геометрии сети необходимо задать параметры Synapse. Модель DTM определяет силу синапса, скорость релаксации и значения потенциала реверсирования, которые могут быть настроены для конкретных характеристик сети, но мы рекомендуем использовать следующие параметры. JS равен 0,60, гамма равен 0,95, а XRP равен 2,2 для возбуждающего синапса или отрицательный 1,8.
Для ингибирующего синапса отрегулируйте параметры альфа- и сигма-контроля, чтобы изменить базовую активность нейронов. Мы рекомендуем использовать значение альфа, равное 4,05, и значение сигма, равное отрицательному 3,10. Используйте датчик лабораторного обзора или
для ввода информации с датчика в сеть. Для предоставленных датчиков vi уже доступны в модуле просмотра лаборатории Mindstorms. Для пользовательских устойчивых датчиков используйте датчик освещенности VI в качестве среды для программирования.
Вставьте графические диаграммы на переднюю панель программы лабораторного просмотра для визуализации активности нейронов. Временно замените входы датчиков блоками управления на передней панели, чтобы вручную манипулировать информацией датчиков, поступающей в нейронную сеть, запустите нейронную сеть и вручную настройте элементы управления на передней панели для представления разнообразного сенсорного ввода. Убедитесь, что сеть качественно функционирует так, как прогнозировано для известных условий.
При необходимости настройте сеть, изменив параметры нейрона и синапса. Первые попытки настройки сети должны быть сделаны путем изменения силы различных синапсов. Возможно, потребуется скорректировать и другие параметры.
Как только сеть начнет функционировать с качественной точностью, замените блоки управления на передней панели на вход датчика VI'S запрограммируйте сеть на платформу NXT через USB-соединение. Чтобы протестировать симуляцию нервной системы, создайте контролируемую среду, в которой можно наблюдать за животным и роботом в одинаковых условиях. Установите видеокамеру над головой для записи поведения.
Убедитесь, что контраст между объектом съемки и фоном высокий. Чтобы обеспечить автоматическое отслеживание. Поместите животное в контролируемую среду и запишите поведение на видео.
Обязательно ограничьте сенсорные возможности омара, чтобы они соответствовали сенсорным возможностям робота. Здесь мы ограничиваем зрение омара и распознавание химиотерапии, закрывая глаза маской из алюминиевой фольги и вдавливая химиорецепторы пресной водой. Изменяйте окружающую среду, чтобы робот Lego мог им управлять.
Повторите процедуру поведенческого тестирования и видеосъемки с помощью робота. Используйте MATLAB для автоматического отслеживания животного и робота. Мы используем скрипт мышиного лабораторного трекера MATLAB, который доступен в режиме онлайн.
Создавайте и сравнивайте графики движений животного и робота. Модифицируйте нейронную сеть и повторите эксперимент по отслеживанию поведения, чтобы наблюдать, как различные аспекты электронной нервной системы влияют на поведение робота. Например, можно регулировать синаптическую силу в определенных узлах нейронной сети.
В качестве альтернативы сенсорные условия на испытательной арене могут быть изменены, а эффекты можно наблюдать у роботов и животных. Сравнивая поведенческие характеристики робота и животного, мы можем исследовать принципы работы нервной системы. Синаптическая сила от сенсорных нейронов когтевой в нервную систему варьировалась на роботе, и результирующее поведение отслеживалось.
Красными линиями обозначены движения роботов со слабыми возбуждающими синапсами. Синими линиями показаны возбуждающие синапсы средней силы, а зелеными линиями показаны движения робота с сильными возбуждающими синапсами. Пути омаров представлены черными линиями, гипотетической нервной системой со средними возбуждающими связями от шипа клешней.
Сенсорные нейроны производят поведенческие результаты, аналогичные животным. Количественные параметры для сравнения могут быть извлечены из таких данных, как длина пути и средняя скорость ходьбы. Как показано в этой таблице, мы только что показали, как использовать недорогую и доступную роботизированную платформу для запуска и тестирования симуляций нервной системы.
Этот подход полезен для быстрой проверки гипотез нервной системы и может быть быстро принят биологами и другими исследователями, не имеющими опыта в робототехнике. Существует несколько неотъемлемых ограничений использования этой платформы, таких как вычислительные возможности чипа NXT и диапазон датчиков, доступных для роботизированной реализации. Тем не менее, этот подход является мощным инструментом для ранней стадии реализации моделирования воплощенной нервной системы и может послужить отправной точкой для более глубоких биороботизированных исследований с использованием пользовательских платформ при использовании старшеклассниками и студентами колледжей.
Этот подход обеспечивает захватывающий метод, основанный на исследовании, для обучения ученых будущего нейронауке, робототехнике и ценности междисциплинарной науки. Спасибо за просмотр.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данной статье представлен метод моделирования нейронных сетей с использованием робототехнической платформы LEGO Mindstorms. Этот метод служит инструментом симуляции для нейробиологических исследований беспозвоночных и может применяться как в лабораторных, так и в образовательных целях.
Основные компоненты исследования
Область науки
- Нейронаука
- Робототехника
- Биомиметические системы
Теоретическая справка
- Данный метод предназначен для прототипирования и тестирования симуляций нервной системы.
- Для проведения симуляций используется платформа LEGO Mindstorms NXT.
- Метод предполагает параллельное сравнение с животными моделями.
- Основное внимание уделяется нейроэтологическим исследованиям для оценки эффективности.
Цель исследования
- Разработать роботизированную платформу для симуляции нервной системы.
- Сравнить роботизированные нейронные сети с реальными нервными системами животных.
- Выявить недостатки модели для ее дальнейшего совершенствования.
Используемые методы
- Создание робота в качестве платформы для симуляции.
- Разработка гипотетической нейронной сети на основе этологических исследований.
- Программирование нейронной сети на роботизированной платформе.
- Проведение этологических исследований для сравнения эффективности.
Основные результаты
- Эффективность роботизированной нейронной сети оценивается путем сравнения с моделью на животных.
- Выявленные недостатки используются для дальнейшей доработки модели.
- Параметры симуляции можно изменять для проверки нейробиологических гипотез.
Выводы
- Платформа LEGO Mindstorms эффективна для моделирования нейронных сетей.
- Данный подход углубляет понимание принципов биомиметического управления.
- Она представляет собой ценный инструмент как для исследовательских, так и для образовательных целей.
Часто задаваемые вопросы
Практическая значимость для промышленности
Данный метод позволяет осуществлять быстрое прототипирование и проверку гипотез при моделировании нервной системы с использованием доступной робототехнической платформы, что способствует снижению рисков при изучении механизмов на ранних этапах нейробиологических исследований. Обеспечивая возможность прямого манипулирования параметрами симуляции и параллельного сравнения поведения с животными моделями, этот подход позволяет повысить прогностическую достоверность моделей нейронных сетей перед переходом к более сложным доклиническим системам. Данный метод особенно ценен для валидации мишеней в нейробиологии беспозвоночных и представляет собой масштабируемую, многократно используемую основу для проведения исследований на базе гипотез в академической и трансляционной среде.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Научная ценность: способствует проверке терапевтических гипотез путем моделирования рефлекторного поведения на основе нейроэтологических исследований.
- Научная ценность: позволяет снизить биологические риски за счет итеративного уточнения симуляций нейронных сетей на базе выявленных поведенческих расхождений.
- Научная ценность: повышает уверенность в выборе мишени путем идентификации функциональных синаптических связей, которые определяют врожденные рефлекторные реакции.
Скрининг и разработка анализа
- Практическая ценность: Подготовка валидированных биоподобных систем для последующих рабочих процессов посредством стандартизированной интеграции сенсоров и обновления нейронных связей в режиме реального времени.
- Практическая ценность: Повышение воспроизводимости анализов за счет контролируемых условий окружающей среды и количественного отслеживания поведения (например, длины пути, скорости ходьбы).
- Практическая ценность: Облегчение процесса подготовки к скринингу за счет обеспечения возможности быстрой итерации синаптических параметров для оценки устойчивости сети при различных сенсорных воздействиях.
Трансляционные и доклинические исследования
- Трансляционная значимость: Сохраняет релевантность заболеванию за счет моделирования рефлекторного поведения в системах беспозвоночных с хорошо изученной нейроэтологией.
- Трансляционная значимость: Способствует согласованию трансляционных биомаркеров посредством количественных показателей поведения, которые коррелируют с состояниями нейронных сетей.
- Трансляционная значимость: Помогает принимать решения о дальнейшем продвижении с учетом рисков, выявляя недостатки моделей нервной системы до этапа ресурсозатратной валидации.
Интеграция конвейера и рабочих процессов
Данный метод вписывается в континуум научных открытий — от выдвижения гипотезы до идентификации перспективных соединений-лидеров, особенно в исследованиях в области нейробиологии и биомиметических систем, обеспечивая итеративное уточнение модели на основе эмпирических поведенческих данных.
- Биология открытий: Совершенствует проверку гипотез и уточнение путей за счет симуляции нейронных архитектур, описанных в этологической литературе.
- Скрининг: Обеспечивает готовность анализа за счет манипулирования параметрами в режиме реального времени и количественного анализа движений в стандартизированных условиях.
- Аналитика: Предоставляет измеримые результаты, такие как графики траекторий и показатели скорости, что позволяет проводить сравнительный анализ поведения роботов и животных.
- Трансляционные исследования: Связывает фундаментальные открытия с преклиническим этапом путем моделирования врожденных рефлексов, которые могут быть перенесены на простые системы моторного управления.
- Повторное использование в организации: Служит многоразовой платформой для проверки множества гипотез о работе нервной системы на различных модельных организмах и при различных сенсорных модальностях.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую достоверность нейронных моделей за счет уменьшения неопределенности в механизмах сенсомоторного преобразования.
- Операционная ценность: Обеспечивает стандартизацию и масштабируемость благодаря использованию коммерчески доступного оборудования и графического программирования (LabVIEW) для быстрого внедрения.
- Стратегическая ценность: Улучшает процесс принятия решений о продолжении или прекращении исследований (go/no-go) за счет раннего выявления недостатков моделей, что сокращает инвестиции в ошибочные нейробиологические гипотезы.
- Влияние на портфель: Позволяет осуществлять приоритизацию целей в области нейронаук с поправкой на риск путем итеративного уточнения моделей на основе поведенческих данных.
Особенности реализации
- Требуются экспертные знания в области нейроэтологии, нейронного моделирования и сред графического программирования, таких как LabVIEW.
- Необходим доступ к аппаратному обеспечению LEGO Mindstorms NXT и совместимым датчикам (контактным, изгиба) и оптического потока для биомиметической реализации.
- Требуется межкомандная стандартизация калибровки датчиков, протоколов отслеживания поведения и процедур настройки параметров.
- При расширении модели на другие системы беспозвоночных или позвоночных с иными нейронными архитектурами следует учитывать особенности адаптации.
- Существуют практические ограничения, такие как ограниченная вычислительная мощность чипа NXT и малый диапазон датчиков, что может повлиять на моделирование сложных сетей.
