Summary
Wir präsentieren eine Turing-like Handshake-Test durch eine telerobotische System, in dem die Vernehmer mit einem Roboter-Stift ist und die Interaktion mit einer anderen Partei (menschliche oder künstliche) verabreicht. Wir verwenden eine erzwungene Wahl-Methode, und extrahieren Sie ein Maß für die Ähnlichkeit der künstlichen Modell einer menschlichen Händedruck.
Abstract
In den Turing-Test, ist ein Computer-Modell als "intelligent denken", wenn es Antworten, die nicht unterscheidbar von denen eines Menschen erzeugen kann. Allerdings ist dieser Test, um die sprachlichen Aspekte der Maschine Intelligenz begrenzt. Ein hervorstechendes Funktion des Gehirns ist die Steuerung der Bewegung und die Bewegung der menschlichen Hand ist ein hoch entwickeltes Demonstration dieser Funktion. Deshalb schlagen wir eine Turing-like-Handshake-Test, für den Maschinen-motorische Intelligenz. Wir verwalten den Test durch eine telerobotische System, in dem die Vernehmer in eine Aufgabe mit einem Roboter-Stift und die Interaktion mit einer anderen Partei (menschliche oder künstliche) tätig ist. Anstatt zu fragen, die Vernehmer, ob die andere Partei eine Person oder ein Computer-Programm ist, beschäftigen wir zwei alternative forced choice-Verfahren und fragen, welche der beiden Systeme ist human-like. Wir extrahieren Sie eine quantitative grade für jedes Modell nach seiner Ähnlichkeit mit dem menschlichen Handshake Bewegung mit dem Namen "Model Human-Likeness Grade" (MHLG). Es werden drei Methoden, um die MHLG schätzen. (I) Durch die Berechnung der Anteil der Patienten, die Antworten, dass das Modell mehr human-like als das menschliche ist, (ii) Durch den Vergleich zweier gewichtete Summen von Human-und Händeschütteln wir fit eines psychometrischen Kurve und extrahieren den Punkt subjektiver Gleichheit (PSE ), (iii) Durch den Vergleich eines bestimmten Modells mit einem gewichteten Summe der Human-und Random-Signal, fit wir eine psychometrische Kurve, um die Antworten der Vernehmer und extrahieren Sie die PSE für das Gewicht des menschlichen in der gewichteten Summe. Insgesamt bieten wir ein Protokoll zur Rechenmodelle des menschlichen Handshake-Test. Wir glauben, dass ein Modell ist ein notwendiger Schritt im Verständnis jedes Phänomen, und in diesem Fall für das Verständnis der neuronalen Mechanismen, die für die Erzeugung der menschlichen Händedruck.
Protocol
1. Vorbereiten des Systems
- Hardware-Anforderungen:
- Zwei PHANTOM Desktop Roboter SensAble Technologies, Inc.
- 2 Parallel-Karten.
- Minimale Systemvoraussetzungen: Intel-oder AMD-basierten PCs, Windows 2000/XP, 250 MB Speicherplatz.
- Software-Anforderungen:
- Driver-
Laden Sie Treiber von der Website SensAble Technologien http://www.sensable.com nach dem Betriebssystem des Computers. - H3DAPI-
Laden Sie die H3DAPI Quellcode und nach den Anweisungen des Installations-Komplettlösung im Abschnitt angezeigt installieren http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
Wir aktualisiert den Code, um unsere Anforderungen, die nicht in den vorhandenen Code erfüllt waren fit. Die aktualisierten Dateien können aus dem Handshake-Turnier-Website heruntergeladen werden http://www.bgu.ac.il/ ~ akarniel / HANDSHAKE / / index.html
Jede Datei sollte in dem entsprechenden Ordner abgelegt werden, auf der Webseite beschrieben.
Nach Durchführung der Änderungen, laden Sie CMake und den Code zu kompilieren. Die Erstellung von Anweisungen finden Sie in http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation - X3D und python
- Python 2.5 ab http://www.python.org/download/releases/2.5.5/
- Laden Sie die python und X3D-Codes aus dem Handshake-Website und platzieren Sie den Code-Dateien in ein spezielles Verzeichnis, zum Beispiel: "C: \ codeDirectory"
- Jeder Handschlag Kraft Modell sollte in einem separaten Python-Datei geschrieben werden. Siehe Abbildung 1 für ein Beispiel für eine Federkraft Modell.
- psignifit Toolbox Version 2.5.6 für Matlab, verfügbar unter http://www.bootstrap-software.org/psignifit/
- Driver-
Abbildung 1. Force-Funktion in Python. Ein Beispiel für eine Federkraft Modell für einen Händedruck
2. Experimentelles Protokoll
- Öffnen Sie die Eingabeaufforderung, und wechseln Sie die Python-und X3D-Code-Verzeichnis durch Eingabe von: cd C: \ codeDirectory.
- Erstellen Sie einen Ordner mit den Themen 'Namen in C: \ codesDirectory.
- Um das Experiment ein: h3dload code_name.x3d.
- Erstellen Sie eine neue zufällige Datei, indem Sie: random_file_name.txt. Die zufällige Datei definiert die Reihenfolge, in der die verschiedenen Handshakes erscheinen.
- Geben Sie die Themen 'Namen genau so, wie in dem zuvor erstellten Ordner.
- Nach dem ursprünglichen Konzept der klassischen Turing-Test besteht jedes Experiment von 3 Personen: ein Mensch, ein Computer und ein Vernehmer. Zwei Fächer (Human-und Interrogator) jeder halten Sie den Stift von einem Phantom haptisches Gerät und generieren Handshake Bewegungen. Sie werden gebeten, den Anweisungen auf dem Bildschirm folgen (z. B.: "Drücken Sie Page Up für den ersten Handshake"), für Handshake Kräfte aufgebracht werden. In allen der folgenden Methoden, besteht jede Studie über 2 Händeschütteln, und die Themen sind erforderlich, um zwischen ihnen zu vergleichen. Der Computer ist eine simulierte Handshake-Modell, das eine Kraft als Funktion der Zeit und der eindimensionalen Handposition und seinen Derivaten generiert.
(1) F-Modell (t) = Φ [x (t), t] 0 ≤ t ≤ T
F [x, t] steht für einen kausalen Betreiber, zB nicht-lineare zeitabhängige mechanische Modell des eindimensionalen Stift Bewegung, und T ist die Dauer der Händedruck. In der aktuellen Studie T = 5 Sekunden.
- Die Durchführung der "pure"-Test und Berechnung des Modells menschlichen Gestalt grade MHLG p
Das Experiment beginnt mit 12 Praxis-Studien, in denen alle Handshakes (n = 24) sind Menschen, so dass die Themen einfach schütteln einander die Hände durch die telerobotische System. Der Zweck dieser Praxis Studien ist es, die Teilnehmer mit einem menschlichen Handshake in dem System vertraut gemacht werden.
In dem Experiment vergleichen wir vier Computer-Modelle. Jeder experimentelle Block besteht aus 4 Studien, in denen vergleichen wir die 4 getesteten Modelle zu einem menschlichen Händedruck. Einer der Handshakes in jeder Studie ist eine Interaktion mit einer Kraft von einem der vier Modelle (Computer) erzeugt, und die andere ist mit einem menschlichen (das zweite Thema). Daher funktionieren die Themen wie Mensch und Vernehmungsbeamten. Die Reihenfolge der Versuche in jedem Block ist zufällig und vorherbestimmt. Jedes Experiment besteht aus 10 Blöcken, so dass jeder Computer-Handshake-10-mal wiederholt wird. Eine erste unanalysiert block ist für die allgemeine Bekanntschaft mit dem System und der Aufgabe hinzugefügt.
Für jedes Modell ist der Anteil der Handschlag, in denen das Thema wählt das Modell Handshake über den menschlichen Händedruck, da mehr Menschen wie berechnet, um einen Wert, der 0,5 ist, wenn das Modell nicht von einem Menschen bieten. Wir multiplizieren Sie diesen Wert durch zwei, um die MHLG p, so dass MHLG = 0 ist eindeutig nicht-menschlichen wie und MHLG = 1 bedeutet, dass die getesteten Handshake nicht von der menschlichen Händedruck ist. Erhalten - Die Durchführung der "gewichteten Mensch-Modell"-Test und Berechnung des Modells menschlichen Gestalt grade MHLG w
In diesem Protokoll, es gibt nur einen Vernehmer Thema. Das andere Thema Funktionen wie die menschliche Person in den Handschlag.
Das Experiment beginnt mit 30 Praxis-Studien, in denen die Vernehmer Erfahrungen eines menschlichen Händedruck und einem Computer-Handshake in jeder Studie. Am Ende des Prozesses werden sie gefragt, welches der 2-Handshakes war die menschliche Händedruck. Wenn ihnen das gelingt, zeigt der Bildschirm "Richtig!", Und wenn sie nicht wählen Sie die richtige Händedruck, ein "Falsch!" Meldung angezeigt wird.
Nach der Praxis-Block des Experiments wird wie folgt durchgeführt: Eine Studie besteht aus zwei Handshakes. In einer der Handschlag-der Reiz - die Vernehmer interagiert mit einer Kombination von Kräften, die aus dem menschlichen und einem Computer-Handshake-Modell kommt.
(2) F = α Stimulus • F menschlichen + (1-α Stimulus) • F stimulusModel
α Reiz ist gleichermaßen von 0 bis 1, z. B. verteilt:
α Reiz = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
Der andere Händedruck - die reference - ist eine feste Kombination von Kräften aus dem menschlichen und ein Referenzmodell generiert:
(3) F = α Bezug • F menschlichen + (1-α-Referenz) • F referenceModel; α Referenz = 0,5
Am Ende jeder Studie der Vernehmer wird gebeten, den Handschlag, dass mehr Menschen sich anfühlt zu wählen.
In jedem Experiment vergleichen wir zwei Testmodelle und ein Basismodell.
Jeder experimentelle Block besteht aus 24 Studien mit jedem der Linearkombinationen der Reiz und die menschliche (Gl. 2) für jeden der 3 Modell-Kombinationen:
Die Reihenfolge der Versuche in jedem Block ist zufällig und vorherbestimmt. Jedes Experiment besteht aus 10 Blöcken, so dass jede Kombination 10 Mal wiederholt wird. Eine erste unanalysiert Block wird für allgemeine Bekanntschaft mit dem System und der Aufgabe hinzugefügt.
Wir passen eine logistische psychometrische Funktion 1, um die Antworten der Vernehmer mit dem psignifit Toolbox Version 2.5.6 für Matlab, verfügbar unter http://www.bootstrap-software.org/psignifit/ , mit einem eingeschränkten Maximum Likelihood Methode zur Abschätzung der die Parameter, und finden Sie Konfidenzintervalle von der Bias-korrigiert und beschleunigt (BCa) Bootstrap-Methode. Die Kurve zeigt die Wahrscheinlichkeit, dass der Vernehmer zu beantworten, dass ein Reiz Handschlag mehr human-like ist, als eine Funktion der α Reiz - α Referenz. Der Punkt subjektiver Gleichheit (PSE) ist von der 0,5-Schwellenwert der psychometrischen Kurve extrahiert, unter Angabe der Differenz zwischen dem α Reiz und α Referenz für die Handshakes wahrgenommen werden ebenso menschlich wie sind. Die PSE ist für die Berechnung der MHLG w nach verwendet:
(4) MHLG w = 0,5-PSE
Ein Modell, das wahrgenommen wird als human-like als das Referenzmodell ist ergibt die MHLG w-Wert 0,5. Die Modelle, die als die am wenigsten oder die meisten Menschen wie möglich wahrgenommen werden, ergeben MHLG w-Werte von 0 oder 1 sind. - Die Durchführung der "hinzugefügt noise"-Test und Berechnung des Modells menschlichen Gestalt grade MHLG n
Ähnlich wie bei der gewichteten Modell-Mensch-Test, es gibt nur einen Vernehmer Thema. Das andere Thema Funktionen wie die menschliche Person in den Handschlag. Die Praxis-Block ist auch die gleiche wie in der vorherigen Methode.
Nach der Praxis in einem der 2-Handshakes - der Reiz - die Vernehmer interagiert mit einem Computer-Handshake-Modell.
Die anderen Händedruck - die Referenz - ist eine Kraft aus einer Kombination von Mensch und weißes Rauschen mit einem Frequenzbereich gefiltert nach den Frequenzen, die im menschlichen Händedruck erscheinen generiert.
(5) F = α • F menschlichen + (1-α) • F Lärm;
α ist gleich 0 bis 1 verteilt, zB:
α = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
Am Ende jeder Studie der Vernehmer wird gebeten, den Handschlag, dass mehr Menschen sich anfühlt zu wählen.
Das Experiment ist in der gleichen Weise die gewichtete mo gebautdel-Mensch-Test erwähnt wird gebaut. Doch während der Kalibrierung in der gewichteten Mensch-Modell-Test durch den Vergleich verschiedener Kombinationen aus einem Basis-Modell zu einem fix Kombination von selbst, in diesem Experiment durchgeführt wird, das Basismodell ist Ersatz durch den Lärm.
Die PSE ist aus der psychometrischen Kurve extrahiert und definiert die MHLG n
(6) MHLG n = 1-PSE
Die Modelle, die als die am wenigsten oder die meisten Menschen wie möglich wahrgenommen werden, ergeben MHLG n Werte von 0 oder 1 sind.
3. Repräsentative Ergebnisse:
Abbildung 2 zeigt die Ergebnisse der ein Thema für jede der 3 Methoden. Die getesteten Modelle in allen drei Experimenten sind 2 viskoelastische Modelle-KB1: Frühjahr K = 50 N / m, Dämpfer B = 2 Ns / m; KB2: Frühjahr K = 20 N / m, Dämpfer B = 1,3 Ns / m. In den gewichteten Modell-Mensch-Test, ist der MHLG w durch den Vergleich jeder der getesteten Modelle mit dem elastischen Basismodell K = 50 N / m. ausgewertet
Abbildung 2. Die MHLG Werte von zwei viskoelastische Modelle nach der "reinen" Testprotokoll (a), der "gewichteten Modell-human-Protokoll" (b) und die "hinzugefügt noise"-Protokoll (c). Die Fehlerbalken in (b) und (c) stellen die psychometrischen Kurven "Konfidenzintervalle. Die schwarzen Balken repräsentieren die MHLG Noten für die Modelle und die grauen Balken stellen die des Basis-Modell in (b) und der Lärm in (c).
Die Ergebnisse zeigen, dass das viskoelastische Modell KB2, da mehr Menschen wie als der andere viskoelastische Modell KB1 mit allen drei Auswertemethoden wahrgenommen wird.
Discussion
Wir haben ein neues Protokoll für eine erzwungene Wahl-Turing-like-Handshake-Test über eine einfache telerobotische System verwaltet vorgestellt. Dieses Protokoll ist eine Plattform für den Vergleich von künstlichen Handshake-Modelle, sondern eine Plattform für die Bestimmung absolute menschliche Gestalt. Dieses Protokoll wurde in ein paar Konferenzen 2-5 vorgestellt
Wir haben hier, dass dieser Test hilfreich bei der Suche die Parameter der passiven Eigenschaften der Bewegung, dass die meisten Menschen-Feeling sorgen wird angezeigt. Es kann in weiteren Studien verwendet werden, um ein Modell für einen Händedruck, wie human-like wie möglich zu entwickeln. Wir werden diese Plattform in den ersten Turing-like Handshake Turnier, das im Sommer 2011 stattfinden [[beschäftigen http://www.bgu.ac.il/ ~ akarniel / HANDSHAKE / index.html ]], wo konkurrierende Modelle werden abgestuft für ihre menschliche Gestalt. Das ultimative Modell sollte wahrscheinlich betrachten die Nichtlinearitäten und zeitlich veränderlichen Natur der menschlichen Impedanz 21, gegenseitige Anpassung der Vernehmer und viele andere Aspekte eines natürlichen menschlichen Händedruck, getestet und bewertet werden mit dieser erzwungenen Wahl Turing-like-Handshake-Test sollte.
Die vorgeschlagene Test ist eindimensional und erfolgt über eine telerobotische-Schnittstelle, und deshalb ist begrenzt: es birgt viele Aspekte der Händedruck wie taktile Informationen, Temperatur, Feuchtigkeit und Greifen Kräfte. Dennoch, in mehreren Studien eine telerobotische Schnittstelle wurde für die Erkundung Handshakes 6-11 und andere Formen der Mensch-Mensch-Interaktion 12 verwendet. Darüber hinaus in dieser Version des Tests, haben wir nicht der Ansicht, die Dauer der Händedruck, die Initiierung und Release-Zeiten, seine Vielschichtigkeit und die Hand Bahnen vor und nach dem körperlichen Kontakt. Es gibt auch viele Arten von Handshakes je nach Geschlecht und Kultur der Person 13-14 und daher kann man nicht erwarten, dass ein einziges optimales human-like-Handshake-Modell zu generieren. Dennoch glauben wir, dass die Einfachheit der vorgeschlagenen Versuch ein Vorteil ist, zumindest in diesem frühen Stadium der Studie. Nachdem die wichtigsten Merkmale eines solchen eindimensionalen Handshake richtig gekennzeichnet sind wir uns bewegen können auf diese Einschränkungen berücksichtigen und verlängern die Prüfung entsprechend.
Es wird darauf hingewiesen, dass eine Turing-like-Handshake-Test umgekehrt werden könnte, mit dem Computer anstelle der Person, über die Identität der anderen Partei gestellt werden. In diesem Rahmen halten wir die folgenden Reverse-Handshake-Hypothese: Der Zweck der Handschlag ist es, die erschüttert Handsonde; gemäß dem Reverse-Handshake-Hypothese, die optimale Handshake-Algorithmus - in dem Sinne, dass es wird nicht von einem Menschen Handshake - wird Beste erleichtern die Unterscheidung zwischen Menschen und Maschinen. Mit anderen Worten, wird das Modell liefern die besten Handshake, so dass eine entsprechend abgestimmte Klassifikator kann zwischen Mensch und Maschine Händeschütteln zu unterscheiden.
Wenn der Reverse-Handshake Hypothese ist zwar richtig, es ergibt sich eine klinische Anwendung für unseren Test: Ermittlung motorischen Beeinträchtigungen in Menschen, die an verschiedenen neurologischen Motor-bedingten Erkrankungen wie Zerebralparese (CP). Frühere Studien haben Unterschiede in der kinematischen Parameter zwischen CP-Patienten und gesunden Probanden gezeigt, bei der Durchführung von Greifbewegungen 15-16. Wir haben kürzlich gezeigt, dass die Eigenschaften von Bewegungen zwischen gesunden Personen und Personen mit CP unterscheiden beim Händeschütteln über eine telerobotische System 4. Diese Ergebnisse stärken unsere Behauptung, dass Menschen mit motorischen Beeinträchtigungen von gesunden Menschen können durch die Prüfung und Erforschung der Handshake Bewegung jedes einzelnen zu unterscheiden. Man sollte auch beachten, dass der Test hier erörterten eine perzeptive Tests und aktuelle Studien unterscheiden zwischen Wahrnehmung und Handlung 17-20 ist. Zukünftige Studien sollten untersuchen drei Versionen des Tests zur genauen Beurteilung der Natur des Menschen-wie-Handshake: (1) eine psychometrische Test der wahrgenommene Ähnlichkeit, (2) einen Motor zu testen (motormetric-Test), dass der Motor erkunden Reaktion der Vernehmer, die von seiner / ihrer kognitiv wahrgenommene Ähnlichkeit unterscheiden können, (3) eine ultimative optimale Diskriminator, die zwischen Mensch und Maschine Händeschütteln auf die Kraft und die Position Trajektorien basieren unterscheiden versucht.
Im Allgemeinen, so behaupten wir, dass das Verständnis der Motorsteuerung ist eine notwendige Voraussetzung für das Verständnis der Funktion des Gehirns, und dass ein solches Verständnis könnte durch den Bau eines humanoiden Roboters nicht von einem Menschen nachgewiesen werden. Die aktuelle Studie konzentriert sich auf Händeschütteln über eine telerobotische System. Wir behaupten, dass durch die Platzierung der vorherrschenden wissenschaftlichen Hypothesen über die Natur der menschlichen Hand Bewegungssteuerung mit dem vorgeschlagenen Turing-like Handshake testen, haben wirLage sein sollten, hervorstechenden Eigenschaften des menschlichen motorischen Kontrolle oder zumindest die wichtigsten Eigenschaften erforderlich, um eine künstliche Gliedmaßen, die nicht von einem menschlichen Arm bauen zu extrahieren.
Disclosures
Keine Interessenskonflikte erklärt.
Acknowledgments
AK will Gerry Loeb für hilfreiche Diskussionen über die vorgeschlagene Turing-like-Handshake-Test danken. AK und IN möchten Nathaniel Leibowitz und Lior Botzer, die das Design der ersten Version dieses Protokolls im Jahr 2007 beigetragen haben. Diese Arbeit wurde von der Israel Science Foundation (Grant No 1018-1008) unterstützt. SL wird von einem Kreitman Foundation Stipendium unterstützt. IN wird durch die Kreitman Stiftung und der Clore Scholarship Program unterstützt.
Materials
| Name | Company | Catalog Number | Comments |
| Two PHANTOM desktop robots | SensAble, Geomagic | 2 Parallel cards Minimum system requirements: Intel or AMD-based PCs; Windows 2000/XP, 250 MB of disc space |
|
| SensAble technologies Drivers | SensAble, Geomagic | http://www.sensable.com | |
| H3DAPI source code | H3DAPI | http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation | |
| Python 2.5 | Python Products | http://www.python.org/download/releases/2.5.5/ | |
| x3d codes | |||
| psignifit toolbox version 2.5.6 | Matlab | http://www.bootstrap-software.org/psignifit/ |
References
- Wichmann, F., Hill, N. The psychometric function: I. Fitting, sampling, and goodness of fit. Perception & Psychophysics. 63, 1293-1293 (2001).
- Avraham, G., Levy-Tzedek, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2009).
- Avraham, G., Levy-Tzedek, S., Karniel, A. Neural Control of Movement, Florida, USA, , (2010).
- Avraham, G., Levy-Tzedek, S., Peles, B. C., Bar-Haim, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2010).
- Karniel, A., Nisky, I., Avraham, G., Peles, B. C., Levy-Tzedek, S. EuroHaptics, Amsterdam, Netherlands, , (2010).
- Jindai, M., Watanabe, T., Shibata, S., Yamamoto, T. The 15th IEEE International Symposium on Robot and Human Interactive Communication, Hatfield, UK, , (2006).
- Kasuga, T., Hashimoto, M. Internatioanl Conference on Robotics and Automation, Barcelona, Spain, , IEEE. (2005).
- Ouchi, K., Hashimoto, M. Handshake Telephone System to Communicate with Voice and Force. Proceedings of the 6th IEEE International Workshop on Robot and Human Communication, 1997 Sept 29-Oct 1, Sendai, Japan, , IEEE. 466-471 (1998).
- Bailenson, J., Yee, N. Virtual interpersonal touch and digital chameleons. Journal of Nonverbal Behavior. 31, 225-242 (2007).
- Miyashita, T., Ishiguro, H. Human-like natural behavior generation based on involuntary motions for humanoid robots. Robotics and Autonomous Systems. 48, 203-212 (2004).
- Wang, Z., Lu, J., Peer, A., Buss, M. EuroHaptics, Amsterdam, The Netherlands, , (2010).
- IiZuka, H., Ando, H., Maeda, T. proceedings of AsiaGraph, , (2010).
- Chaplin, W., Phillips, J., Brown, J., Clanton, N., Stein, J. Handshaking, gender, personality, and first impressions. Journal of Personality and Social Psychology. 79, 110-117 (2000).
- Stewart, G., Dustin, S., Barrick, M., Darnold, T. Exploring the handshake in employment interviews. Journal of Applied Psychology. 93, 1139-1146 (2008).
- Van Der Heide, J., Fock, J., Otten, B., Stremmelaar, E., Hadders-Algra, M. Kinematic characteristics of reaching movements in preterm children with cerebral palsy. Pediatric research. 57, 883 (2005).
- Ronnqvist, L., Rosblad, B. Kinematic analysis of unimanual reaching and grasping movements in children with hemiplegic cerebral palsy. Clinical Biomechanics-Kidlington. 22, 165-175 (2007).
- Goodale, M., Milner, A. Separate visual pathways for perception and action. Trends in neurosciences. 15, 20-25 (1992).
- Ganel, T., Goodale, M. Visual control of action but not perception requires analytical processing of object shape. Nature. 426, 664-667 (2003).
- Pressman, A., Nisky, I., Karniel, A., Mussa-Ivaldi, F. Probing Virtual Boundaries and the Perception of Delayed Stiffness. Advanced Robotics. 22, 119-140 (2008).
- Nisky, I., Pressman, A., Pugh, C. M., Mussa-Ivaldi, F. A., Karniel, A. EuroHaptics, Amsterdam, Netherlands, , 213-218 (2010).
- Karniel, A. Computational Motor Control. Encyclopedia of Neuroscience. Binder, M. D., Hirokawa, N., Windhorst, U. , Springer-Verlag. Berlin. 832-837 (2009).
