Summary
É apresentada uma abordagem para a modelagem de rede neural na plataforma robótica LEGO Mindstorms. O método fornece uma ferramenta de simulação para invertebrados pesquisa em neurociência, tanto no laboratório de pesquisa e sala de aula. Esta técnica permite a investigação de princípios de controle de robôs biomiméticos.
Abstract
Nós apresentamos um método para usar o Mindstorms plataforma disponível comercialmente LEGO NXT robótica para testar sistemas de nível neurociência hipóteses. O primeiro passo do método é o de desenvolver um sistema de simulação de comportamentos nervoso reflexivas especiais de um organismo modelo adequado; aqui usamos a lagosta americana. Reflexos exteroceptivos mediadas por decussating (passagem) conexões neurais podem explicar táxis de um animal ou para longe de um estímulo, tal como descrito por Braitenberg e são particularmente bem adequado para investigação, utilizando a plataforma NXT. 1 A simulação do sistema nervoso está programado utilizando software LabVIEW no LEGO plataforma Mindstorms. Uma vez que o sistema nervoso está sintonizado corretamente, experimentos comportamentais são executados no robô e sobre o animal sob condições ambientais idênticas. Ao controlar o meio sensorial experimentada pelas amostras, as diferenças nos resultados comportamentais podem ser observadas. Estas diferenças podem apontar para deficienc específicos no modelo de sistema nervoso e servem para informar a iteração do modelo para o comportamento particular em estudo. Este método permite a manipulação experimental do sistema nervoso electrónicos e serve como um meio para explorar neuroscience hipóteses especificamente em relação à base de neurofisiológicos simples comportamentos reflexivos inatas. O LEGO Mindstorms NXT kit fornece uma plataforma acessível e eficiente em que para testar esquemas de controle de robôs biomiméticos preliminares. A abordagem também é adequado para a sala de aula do ensino médio para servir de base para um hands-on baseada na investigação currículo Biorobotics.
Introduction
Investigações neurofisiológicas ao longo dos últimos 100 anos, têm ampliado enormemente nosso conhecimento da estrutura e função do sistema nervoso. No entanto, a maioria das pesquisas sistema nervoso até à data tem contado com o uso de preparações isoladas ou assuntos contidos. Embora tenha havido muitos esforços bem-sucedidos para registrar a atividade neural de se comportar livremente animais 2-5, a abordagem biorobotic fornece uma ferramenta valiosa para permitir a manipulação do sistema nervoso, a fim de testar os sistemas de nível neurociência hipóteses 6. Sistemas nervosos simulados operacionais em robôs podem ser experimentalmente manipulada e permitir a extensão de modelagem de software para o mundo físico. Esta abordagem tem sido bem implementado no mundo acadêmico 7,8, mas o processo de construção de um robô biomimético para o teste de hipóteses pode ser caro e demorado. Apresenta-se um método para executar a abordagem biorobotic disponível comercialmente utilizando um k robóticaele (LEGO Mindstorms NXT 2.0). O objetivo deste método é fornecer uma maneira rápida e eficiente para testar sistemas de nível neurociência hipóteses sobre robótica 9 ou 10 incorporados simulações de rede neural bio-híbridos. Acelerar o processo de hipótese de experimentar melhora a produtividade de pesquisa. O simples plataforma LEGO Mindstorms fornece uma plataforma de teste para sensores biomiméticos e redes neurais que demonstrar usando a lagosta americana (Homarus americanus) como um organismo modelo. O método também fornece uma poderosa hands-on ferramenta pedagógica em sala de aula como os alunos podem projetar e manipular sistemas nervosos de seus próprios robôs 11.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Construir o modelo Robot
- Escolha um organismo modelo para o estudo que está bem representado na literatura neuroetológica. Invertebrados geralmente fazem bons candidatos, porque seu sistema nervoso relativamente simples foram bem estudados e são, basicamente, composta de reflexos inatos. Vamos demonstrar esta abordagem utilizando o Lobster americana, Homarus americanus.
- Escolha bem estudado comportamentos reflexivos para fins de modelagem. Nós escolhemos as respostas da lagosta a curva da antena e detecção de colisão garra como o animal reflexivamente responde à flexão de antenas para obter reotaxia (orientação para o fluxo de água), enquanto contatos garra mediar desvio de obstáculos. Reflexos simples contando com decussating conexões neurais a partir de sensores bilateralmente simétricos são adequados para este tipo de estudo 1.
- Construir ou escolher uma plataforma robótica com sensores apropriados para os comportamentos selecionados, a fim de executar o neuralsimulação da rede. Enquanto um robô dedicado pode ser construído como RoboLobster 12 ou o Sprawl (barata) família robot 13, aqui nós usamos um kit disponível comercialmente para agilizar o processo experimental. A LEGO Mindstorms 2.0 kit NXT, proporcionando moldes, componentes modulares e sensores estabelecidos, permite a construção física rápida do robô.
- Selecione ou construir sensores para combinar as modalidades dos comportamentos selecionados na etapa 1.2. Premade sensores do kit LEGO Mindstorms pode ser usado homebrew ou sensores podem ser projetados 14,15. Nós selecionamos o sensor de toque LEGO incluído e um sensor de curvatura da antena costume que consiste em um sensor de curva FlexPoint emendado a um conector NXT. Para construir um conector resistiva costume, cortou um fio conector NXT e soldar os cabos preto e branco para as ligações do sensor.
- Use neuroetológica estudos publicados anteriormente para encontrar ou desenvolver uma rede neural hipotética para a modelagem purposes. A literatura tem proposto várias redes neurais para explicar o comportamento de vários organismos modelo, a partir de lagostas 16 a lampreia 17. Unidades neurais funcionais devem ser identificados e suas conexões sinápticas teorizou. Experimentos neuroetológica romance também pode ser desenvolvido e implementado se as circunstâncias de laboratório permitem.
2. Programação do Sistema Nervoso
- Use o software LabVIEW, juntamente com o Módulo LabVIEW para LEGO Mindstorms NXT para criar instrumentos virtuais (VIs), que funcionam equações para um neurônio matemático e modelo sinapse. Embora qualquer modelo publicado pode ser usado, recomendamos o tempo discreto baseado em mapa (DTM), modelo 18. Isto permite uma operação eficiente computacionalmente tempo real, mantendo uma variedade de regimes de saída de disparo neuronal. Dois parâmetros de controle, alfa e sigma, determinar a dinâmica do neurônio simulado para produzir uma saída neural variado, incluindo tonic spiking, disparo de caótico, o silêncio de ruptura e intrínseco. VIs do LabVIEW para LEGO Mindstorms para este modelo neurônio pode ser encontrado online aqui: http://myfiles.neu.edu/blustein.d/neurobots
- Lugar VIs em um loop while para que a rede irá atualizar de forma iterativa.
- Ligue as saídas dos neurônios pré-sinápticos pico através das sinapses dos neurônios pós-sinápticos.
- Passe iteratively atualizar os parâmetros através de registradores de deslocamento para o próximo ciclo de cálculo. O DTM modelo atualizações rápido (x) e lentas (y) variáveis dinâmicas que são passados para a próxima iteração de cálculos.
- Defina os parâmetros de sinapse para definir as características de rede. Para cada sinapse, a força sináptica (gsyn), a taxa de relaxamento (gama), e o potencial de inversão (XRP) são coeficientes nas equações do modelo DTM que determinam o comportamento sináptica. O valor de gsyn é um multialicate que determina a magnitude do efeito da corrente sináptica de um evento de pico, variando entre 0,0 (nenhum efeito) a 1,0 (100% de efeito). O valor da gama é um multiplicador que determina a velocidade de decaimento da corrente sináptica, independentemente dos eventos de pico, variando entre 0,0 (decomposição completa) e 1,0 (nenhuma deterioração). O valor de xrp determina o nível de excitação ou inibição da sinapse, valores geralmente gama de -3,0 a 3,0, com valores positivos representam excitação e os valores negativos representam a inibição. Os valores podem ser ajustados para as suas características específicas da rede. Aqui usamos as seguintes configurações: Gamma = 0,95, gsyn = 0,60 e xrp = 2,2 (sinapse excitatória) ou -1.8 (sinapse inibitória).
- Ajuste alfa e parâmetros de controle sigma para modificar a atividade dos neurônios de base. A dinâmica do modelo de parâmetros de controle variados são descritos em detalhes em outra parte 18, mas normalmente, alpha sigma baixos ou tônicas spiking para altos valores de sigma. A transição entre "baixo" e "alto" valores sigma ocorre geralmente entre 1,0 e 1,0, dependendo do valor alfa. Estourando a atividade dos neurônios é produzido para alpha> 4, quando os valores sigma estão perto de zero. Aqui usamos alfa = 4,05 e sigma = -3,10.
- Use LabVIEW VIs a informação do sensor de entrada em sua rede. Para sensores fornecidos, o VIS já estão disponíveis no módulo LabVIEW Mindstorms. Para sensores resistivos personalizados, use o Sensor VI Luz como um quadro de programação. Informações sobre a criação de sensores homebrew pode ser encontrada em outro lugar 14.
- Inserir gráficos gráficas no painel frontal do programa LabVIEW para visualizar a actividade neuronal.
- Temporariamente substituir entradas de sensores com caixas de controle do painel frontal, a fim de manipular manualmente o sensorinformação vai da rede neural.
- Funcionamento da rede neuronal e ajustar manualmente os controles do painel frontal para apresentar estímulos sensoriais variadas. Confirmar que a rede funciona como qualitativamente previsto para as condições conhecidas.
- Ajuste a rede, conforme necessário, alterando os parâmetros de neurônios e sinapses. Primeiras tentativas de ajuste da rede deve ser feito alterando a força sináptica (gsyn) das várias sinapses. Outros parâmetros podem necessitar de ser ajustado.
- Uma vez que as funções de rede com precisão qualitativa, substituir as caixas de controle do painel frontal com a entrada do sensor VIs.
3. Testes de Simulação do Sistema Nervoso
- Defina-se num ambiente controlado para observar o animal e o robô sob condições semelhantes. Usamos um tanque rectangular contendo obstáculos naturais (Figura 1). O tanque pode ser esvaziado para acomodar o robô LEGO no mesmo espaço.
- Monte avideo câmera aérea para gravar o animal / comportamento do robô. Certifique-se o contraste entre o motivo eo fundo é elevada para permitir o rastreamento automático. Nós pintada no fundo do tanque de ensaio branco.
- Colocar o animal no ambiente controlado e de gravação de vídeo do comportamento. Certifique-se de limitar as capacidades sensoriais da lagosta para coincidir com as do robô. Aqui vamos restringir as capacidades sensoriais do lagosta, cobrindo os olhos com uma máscara de folha de alumínio e deafferenting chemoreceptors com água doce 19.
- Ajuste o ambiente para atender um robô LEGO (remoção de água, se necessário) e executar o robô no mesmo ambiente controlado.
- Use um script MATLAB para rastrear automaticamente os marcadores nas amostras. Usamos MouseLabTracker 20.
- Criar e comparar parcelas vetor do animal e os movimentos do robô.
- Modificar o sistema nervoso e repita os passos de 3,3-3,6 para observar como os diferentes aspectos da eletrônicasistema nervoso afeta o comportamento do robô. Aqui ajustar a força sináptico entre as garras da colisão neurónios sensor e o sistema de desempenho do motor e do monitor do robô comparado àquele de uma lagosta. Alternativamente, as condições sensoriais na arena de teste pode ser modificado e os efeitos observados no robô e animal. Por exemplo, a arena descrita aqui pode ser sujeita a diferentes taxas de fluxo de água.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Entradas de garras de um lagosta no seu sistema nervoso mediar negociação obstáculo num ambiente novo. Figura 1 mostra uma imagem do vídeo usadas para analisar o comportamento de um robô LEGO (Figura 1A) e uma lagosta (Figura 1B) na arena de teste. A arena de teste foi inalterado entre os testes de robô e animal, exceto que a água foi esvaziado do tanque para os ensaios do robô.
Resultados de rastreamento de vídeo são apresentados na Figura 2. Caminhos viagens animais e robô foram monitorados automaticamente usando MouseLabTracker 20 em MATLAB. Caminhos representativos para lagosta (linhas pretas) e ensaios de robôs LEGO (linhas coloridas) são mostrados. Nos ensaios de robô, sináptica da garra esbarrar em neurónios sensoriais do sistema nervoso foi variado e representado por caminhos diferentes cores (vermelho, baixa excitação; azul, excitação média; verde, alta excitação). O s nervoso hipotéticoistema de meados conexões excitatórias nível das garras colisão neurônios sensoriais produzidos comportamentos semelhantes ao animal. Os parâmetros quantitativos pode ser extraída a partir dos dados, tais como o comprimento do percurso e velocidade média de caminhar (Tabela I).
Figura 1. Quadros de vídeo de sobrecarga da arena de teste para LEGO robô (A) e lagosta (B) Ensaios. Condições foram mantidas idênticas, excepto que a água foi adicionada ao tanque para os ensaios com animais. A imagem de vídeo de alto contraste facilita o rastreamento automático usando o software MATLAB.
Figura 2. Rastreamento de lagosta (linhas pretas) e LEGO robô (linhas coloridas) caminhos através do teste de umarena mostrado na Figura 1 no robô, a força sináptica de garra colisão neurônios sensores era variado (vermelho, baixa excitação, azul, excitação médio, verde, de alta excitação).. O símbolo * denota a posição inicial e formas pretas cheias mostram a localização de obstáculos. Uma vez que a posição da cabeça estava sendo seguido, entre em contato obstáculo aparente varia devido à variabilidade na posição de garra.
| Distância percurso médio (cm) | Velocidade média (cm) | |
| Lagosta | 177,37 | 1.03 |
| LEGO robô (alto excitação) | 162,72 | 0,94 |
| LEGO Robot (meados de excitação) | 165,32 | 0.85 |
| LEGO Robot (baixa excitação) | 51.02 | 0,69 |
Tabela I. Averaged parâmetros de análise de dados de comportamento de vídeo para lagostas e para os robôs de LEGO com forças variadas de sinapses de entrada do sistema sensorial colisão garra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ao iniciar experimentos de simulação do sistema nervoso biorobotic, existem algumas orientações importantes a seguir. Escolhendo o organismo modelo certo é fundamental: escolher um organismo que é fácil de obter e manter. Invertebrados são ideais porque eles geralmente não necessitam de aprovação institucional para a experimentação e as suas necessidades de criação são menos exigentes do que aqueles dos vertebrados. De uma perspectiva científica, é benéfico para escolher um animal que tem um registro literatura neuroetológica estabelecida de que para extrair hipóteses para testar 21.
Tão importante quanto a escolha de um organismo adequado é a seleção de reflexos comportamentais apropriadas para o estudo. A plataforma LEGO NXT só pode lidar com quatro sensores sem modificações personalizadas para selecionar um sistema sensorial relativamente simples com sensores limitados é importante. Reflexos comportamentais simples são muitas vezes bem descrito e proporcionar maior flexibilidade na hypotheses que podem ser testadas. O poder de computação do NXT é um fator limitante também para que os esforços devem ser feitos para reduzir o escopo da simulação do sistema nervoso. Os cientistas costumam publicar propôs redes neurais que explicam comportamentos específicos e é mais fácil de selecionar um deles. Impostos e kineses simples estão bem adaptados a esta abordagem biorobotic 22.
Embora esta abordagem é útil para testes rápidos de hipóteses do sistema nervoso, existem várias limitações para manter em mente. O âmbito de aplicação do teste possível é limitada. Sistemas sensoriais complicados não pode ser usado com essa plataforma. Por exemplo, o processamento visual complexo está além da capacidade do processador NXT mas questões relacionadas poderiam ser abordados por investigar componentes mais simples do sistema visual, tais como processamento de fluxo óptico. O conjunto de sensores para o NXT apresenta algumas limitações inerentes quanto ao âmbito de investigações disponíveis. Enquanto sensores personalizados podem ser desenvolvidos e utilizados on o NXT, este é um processo demorado, que exige uma experiência electrónica, possivelmente negar as vantagens da plataforma para a execução experimental rápida.
Embora existam limitações no leque de hipóteses que podem ser testadas, esta abordagem fornece uma ferramenta única para a implementação fase inicial de simulações do sistema nervoso encarnados. A plataforma LEGO Mindstorms NXT pode servir como um trampolim para um teste mais aprofundado das hipóteses nível de sistemas como demonstrado por esses robôs como RoboLamprey 9 e críquete robótico da Barbara Webb 23. Componentes simples de extensas arquiteturas de controle biomiméticos pode ser testado de forma simples e rápida. O método também pode avançar simulações bio-híbridos que controlam agentes virtuais para incluir o controle do veículo encarnado 24, e pode servir como um quadro de controlo biomiméticos para fazer a interface entre o cérebro e da máquina 25.
Usando a LEGOMindstorms plataforma permite a transferência desta abordagem biorobotic para um público mais amplo nas escolas e laboratórios fora da robótica. As ferramentas têm sido utilizados por estudantes secundaristas e universitários de 11 e fornecer um método baseado em inquérito emocionante para ensinar neurociência, robótica, eo valor da ciência interdisciplinar. Laboratórios sem o equipamento ou o fundo necessário para construir robôs podem usar esta tradicional kit de robótica bem suportada para usar robôs como uma ferramenta em seu trabalho. A abordagem biorobotic poderia se aplicar a pesquisa em diversas áreas, da neurociência e etologia de biomecânica e comportamento social.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores declaram que não têm interesses financeiros concorrentes.
Acknowledgments
Agradecemos ao Dr. Chris Rogers (Tufts University) para sugestões de programação e manuscrito. Agradecemos Alex Giuliano e Deborah Lee para apoio à produção de vídeo.
Financiamento concedido por um NSF Graduate Research Fellowship e um MURI ONR em Biologia Sintética.
References
- Braitenberg, V. Taxis, kinesis and decussation. Prog. in Brain Res. 17, 210-222 (1965).
- Schregardus, D. S., Pieneman, A. W., Ter Maat, A., Jansen, R. F., Brouwer, F., Gahr, M. L. A lightweight telemetry system for recording neuronal activity in freely behaving small animals. Journal of Neuroscience Methods. 155 (1), 62-71 (2006).
- Kagaya, K., Takahata, M. Readiness discharge for spontaneous initiation of walking in crayfish. Journal of Neuroscience. 30 (4), 1348-1362 (2010).
- Schrameck, J. E. Crayfish Swimming: Alternating Motor Output and Giant Fiber Activity. Science. 169 (3946), 698-700 (1970).
- Kanz, J. E., Eberly, L. B., Cobbs, J. S., Pinsker, H. M. Neuronal correlates of siphon withdrawal in freely behaving Aplysia. J. Neurophysiol. 42 (6), 1538-1556 (1979).
- Webb, B. Validating biorobotic models. Journal of Neural Engineering. 3, 1-20 (2006).
- Wessnitzer, J., Asthenidis, A., Petrou, G., Webb, B. A cricket-controlled robot orienting towards a sound source. Proceedings of the 12th Annual conference on Towards autonomous robotic systems. , 1-12 (2011).
- Grasso, F., Atema, J. Integration of flow and chemical sensing for guidance of autonomous marine robots in turbulent flows. Environ. Fluid Mech. 2 (1), 95-114 (2002).
- Westphal, A., Rulkov, N. F., Ayers, J., Brady, D., Hunt, M. Controlling a lamprey-based robot with an electronic nervous system. Smart Struct. and Systems. 8 (1), 39-52 (2011).
- Chao, Z. C., Bakkum, D. J., Potter, S. M. Shaping embodied neural networks for adaptive goal-directed behavior. PLoS Computational Biology. 4 (3), e1000042 (2008).
- 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).
- Ayers, J., Blustein, D., Westphal, A. A Conserved Biomimetic Control Architecture for Walking, Swimming and Flying Robots. Lect. Notes on Artif. Intelli. 7375, 1-12 (2012).
- 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).
- Gasperi, M., Hurbain, P. Extreme NXT: Extending the LEGO MINDSTORMS NXT to the Next Level. , Apress. Berkeley, C.A. (2007).
- Gasperi, M. LabVIEW for LEGO MINDSTORMS NXT. , National Technology and Science Press. Allendale, N.J. (2008).
- Kennedy, D., Davis, W. Chapter 27 Organization of invertebrate motor systems. Handbook of Physiology. 1, 1023-1088 (1977).
- Buchanan, J., Grillner, S. Newly identified "glutamate interneurons" and their role in locomotion in the lamprey spinal cord. Science. 236 (4799), 312-314 (1987).
- Rulkov, N. Modeling of spiking-bursting neural behavior using two-dimensional map. Physical Review E. 65, (2002).
- Derby, C. D., Atema, J. Narrow-spectrum chemoreceptor cells in the walking legs of the lobster, Homarus americanus: Taste specialists. Journal of Comparative Physiology A. 146 (2), 181-189 (1982).
- Tort, A. B. L., Neto, W. P., Amaral, O. B., Kazlauckas, V., Souza, D. O., Lara, D. R. A simple webcam-based approach for the measurement of rodent locomotion and other behavioural parameters. Journal of Neuroscience Methods. 157 (1), 91-97 (2006).
- Huxley, T. H. The Crayfish, An Introduction to the Study of Zoology. , C. Kegan Paul & Co. London. (1880).
- Blustein, D., Ayers, J. A conserved network for control of arthropod exteroceptive optical flow reflexes during locomotion. Lect. Notes on Artif. Intelli. 6226, 72-81 (2010).
- Webb, B., Scutt, T. A simple latency-dependent spiking-neuron model of cricket phonotaxis. Biological Cybernetics. 82 (3), 247-269 (2000).
- Demarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. The Neurally Controlled Animat: Biological Brains Acting with Simulated Bodies. Autonomous Robots. 11 (3), 305-310 (2001).
- Novellino, A., D'Angelo, P., Cozzi, L., Chiappalone, M., Sanguineti, V., Martinoia, S. Connecting neurons to a mobile robot: an in vitro bidirectional neural interface. Computational Intelligence and Neuroscience. , 12725 (2007).
