Summary
LEGO MINDSTORMS机器人平台上的神经网络建模方法。该方法提供了一个模拟工具,无脊椎动物神经科学的研究在研究实验室和课堂。这项技术使调查仿生机器人控制原则。
Abstract
我们提出一个方法,使用市售的LEGO MINDSTORMS NXT机器人平台测试系统级神经科学假设。第一步的方法是开发一个合适的模型有机体的具体自反行为神经系统模拟;这里我们使用美国龙虾。外感受性反射通过decussating(渡)神经连接介导可以解释动物的出租车朝着或远离刺激作为描述由Braitenberg和调查采用NXT平台特别适合。1的神经系统仿真LEGO使用LabVIEW软件编程头脑风暴的平台。一旦神经系统的正确调谐,运行在机器人上,在相同的环境条件下,对动物行为的实验。通过控制试样所经历的感觉周围环境,可以观察到不同的行为输出。这些差异可能指向特定deficienc指神经系统中的模型和服务告知迭代模型下的特定行为研究。这种方法允许实验操作的电子神经系统,并作为一种方式来探索神经科学假说,特别是关于神经生理学基础简单的先天自反行为。 LEGO MINDSTORMS NXT套件提供负担得起的和高效率的平台上测试初步仿生机器人控制计划的。该方法也适用于高中教室作为基础的动手探究为基础的生物机器人课程。
Introduction
神经生理学研究过去100年里已经极大地拓宽我们的知识,神经系统的结构和功能。然而,大多数的神经系统的研究迄今一直依赖于孤立的制剂或内敛科目使用。虽然已经有许多成功的努力,记录神经活动,自由活动动物2-5,仿生机器人的方法提供了一个宝贵的工具,让神经系统操作,以测试系统级神经科学假说6。模拟操作机器人的神经系统可以通过实验操作,并允许软件建模到物理世界的延伸。这种方法已在学术界7,8实施,但假设检验的过程中,建立一个仿生机器人可以是昂贵和费时。我们提出一个方法来执行的仿生机器人的方法,使用市售的机器人K表(LEGO MINDSTORMS NXT 2.0)。这种方法的目的是,机器人9或生物杂交10体现了神经网络模拟测试系统级神经科学假说提供了快速和有效的方式。加快从假设到实验的过程,提高研究效率。简单的LEGO MINDSTORMS平台提供我们演示如何使用美国龙虾( 美洲龙虾 )作为模式生物的仿生传感器和神经网络的试验床。该方法还提供了强大的教育工具,在课堂上,学生可以设计和操纵神经系统,为自己的机器人11。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1。构建机器人模型
- 选择一种模式生物来研究神经行为学文献中得到很好的体现。无脊椎动物通常做出很好的候选人,由于其相对简单的神经系统得到很好的研究,主要是由先天的反射。我们将证明这种方法使用美国龙虾, 龙虾美洲 。
- 选择研究自反行为建模的目的。我们选择了龙虾的反应,触角弯曲到爪凹凸检测作为动物本能反应触角弯曲,引起rheotaxis(水流方向),而爪接触调解避障。非常适合这种类型的研究1简单的反射,依靠从两侧对称传感器decussating神经连接。
- 建立或选择相应的传感器的机器人平台,为选定的行为,为了运行的神经网络仿真。虽然可以构造一个专用的机器人如RoboLobster 12或蔓延(蟑螂)机器人家族13,这里我们使用市售的试剂盒,以加快实验过程。 LEGO MINDSTORMS NXT 2.0套件,提供模板,模块化组件和建立的传感器,可以快速的物理结构的机器人。
- 选择或建立传感器相匹配的步骤1.2中选择的行为方式。预制传感器可用于LEGO MINDSTORMS套件或自制的传感器可以设计14,15。我们已经选择了包括LEGO触摸传感器和定制的触角弯曲传感器构成的FlexPoint弯曲传感器拼接NXT连接。要建立一个自定义的电阻连接,切断NXT连接线和焊接黑色和白色的电缆连接到传感器的引线。
- 使用先前公布的神经行为学研究,以寻找或开发一个假设的神经网络为建模purposes。文献提出了各种神经网络,以解释各种模式生物的行为,从龙虾16鳗17。功能神经单位应查明他们的突触连接理论。新型神经行为学的实验,也可以开发和实施,如果实验室的情况下允许。
2。神经系统编程
- LEGO MINDSTORMS NXT的LabVIEW模块一起使用LabVIEW软件来创建虚拟仪器技术(VIS),运行方程的数学的神经元和突触模型。虽然任何发布的模型可以使用,我们建议基于离散时间地图(DTM)模型[18]。这使得计算效率的实时操作,同时保持输出神经元放电的各种制度。两个控制参数,α和适马 ,确定动力学模拟神经元,产生多样的神经输出,包括托尼Ç扣球,乱射击,爆破和内在的沉默。 LEGO MINDSTORMS的LabVIEW VI这个神经元模型可以在网上找到这里: http://myfiles.neu.edu/blustein.d/neurobots
- 地方到一个While循环,使网络将更新迭代的VI。
- 突触后神经元通过突触连接突触前神经元秒杀输出。
- 通过迭代更新参数通过移位寄存器到下一个计算周期。 DTM模型更新快(x)和慢(Y)的动力被传递到下一次迭代计算的变量。
- 将突触的参数来定义网络的特征。对于每个突触的突触的强度(gsyn),松弛率(γ),和反转电位(XRP)是系数在DTM突触行为的模型方程,确定。的gsyn的值是一个多钳决定突触电流的影响从一个尖峰事件的幅度,范围从0.0(没有效果)1.0(100%的效果)。 伽玛值是一个乘数无论决定的突触电流衰变率的秒杀活动,从0.0(完全衰减)到1.0(无衰减)。 XRP值的高低决定了激励或抑制突触,通常值范围从-3.0至3.0代表激励和抑制负值代表正面的价值观。值可以调整为特定的网络特性。在这里,我们使用以下设置:γ= 0.95,gsyn = 0.60,XRP = 2.2(兴奋性突触)-1.8(抑制性突触)。
- 调整字母和sigma控制参数修改基线神经元活动。多样的控制参数的模型的动态别处18详细描述,但通常,α 西格玛值低或强直扣球高西格玛值的神经活动产生内在的沉默。 “低”和“高” 西格玛值之间的过渡,通常会发生的 Alpha值介于-1.0和1.0之间。爆破神经元活动产生阿尔法 > 4时西格玛值接近零。在这里,我们使用α= 4.05,σ= -3.10。
- 使用LabVIEW VI的输入传感器的信息进入你的网络。所提供的传感器,这些VI已经MINDSTORMS的LabVIEW模块内。对于定制电阻传感器,使用光传感器VI作为一种编程框架。有关创建自制传感器的信息可以在别处找到14。
- 将LabVIEW程序可视化神经元的活动面板上的图表。
- 暂时取代以手动操作传感器传感器输入,前面板控制箱将神经网络的信息。
- 运行神经网络和手动调节前面板控制,呈现多样的感官输入。确认,该网络的功能定性的预测对已知的条件。
- 根据需要通过改变神经元和突触参数调整网络。第一次尝试调整网络应该做的,通过改变突触强度的各种突触(gsyn)。可能需要进行调整,以及其他参数。
- 一旦网络的功能与定性准确,更换前面板控制盒与传感器输入的VI。
3。神经系统仿真测试
- 设置受控制的环境中,在类似的条件下,观察动物和机器人。我们使用了一个含有岩障碍( 图1)的矩形槽。可以清空的容器,在相同的空间以容纳LEGO机器人。
- 安装AVIDEO相机的开销记录的动物/机器人行为的。确保主体和背景之间的对比度高,允许自动跟踪。我们画测试箱白色的底部。
- 将在受控环境中的动物和视频记录的行为。一定限制的龙虾,以配合机器人的感官能力。在这里,我们用铝箔面膜遮住眼睛和淡水19 deafferenting化学感受器限制龙虾的感官能力。
- 调整,以适应环境的LEGO机器人(除去水分,如果必要的话),并运行相同的控制环境中的机器人。
- 使用MATLAB脚本来自动跟踪标本上的标记。我们使用20 MouseLabTracker。
- 创建和比较的动物和机器人运动矢量图。
- 修改的中枢神经系统,并重复步骤3.3-3.6观察不同方面的电子神经系统的影响机器人的行为。在这里,我们调整爪的凹凸传感器神经元和运动神经系统和监控机器人的性能相比,龙虾之间的突触强度。或者,感官测试领域的条件下可以被修改,机器人和动物中观察到的效应。例如,这里所描述的舞台上可能会受到不同的水流速。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
从龙虾的爪子输入到它的神经系统调解障碍,谈判在一种新的环境。 图1显示了一个乐高机器人( 图1A)和测试领域的一个龙虾( 图1B)的行为进行分析的视频截图。除的的被掏空水从水箱的机器人的试验,未改性的动物和机器人测试之间的测试领域。
视频跟踪结果显示在图2。在MATLAB中自动跟踪使用MouseLabTracker 20,动物和机器人的行进路径。龙虾(黑线)和LEGO机器人试验(彩色线条)代表路径。在机器人试验,从爪撞突触强度进入神经系统的感觉神经元的变化,并表示由不同颜色的路径(红,低激发;蓝色,中等激发;绿色,高激励)。假设的神经及●变体系的中层从爪的凹凸感觉神经元的兴奋性连接的动物产生类似的行为。定量参数,可从中提取的数据,如路径长度和平均步行速度( 表I)。
图1。架空视频帧的测试竞技场LEGO机器人(A)(B)试验条件保持相同的,除了水和龙虾被添加到水箱的动物试验。高对比度的视频图像,便于使用MATLAB软件的自动跟踪。
图2。龙虾(黑线)和乐高机器人(彩色线条)路径的跟踪,通过测试瑞纳如图1所示。机器人,爪凹凸传感器神经元突触强度的变化(红,激励低蓝色,中激发;绿色,高激励)。 *符号表示的起始位置,并填充黑色形状显示障碍物的位置。由于头部位置被跟踪,明显障碍,接触由于爪位置的变化而变化。
平均最短路径的距离(cm) | 平均行程速度(厘米) | |
龙虾 | 177.37 | 1.03 |
LEGO机器人(高激励) | 162.72 | 0.94 |
LEGO机器人(中旬激发) | 165.32 | 0.85 |
LEGO机器人(低激发) | 51.02 | 0.69 |
表一平均参数输入突触具有不同优势,从爪的凹凸感觉系统的龙虾和乐高机器人的视频行为数据分析。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
当启动仿生机器人神经系统仿真实验,有几个重要遵循的准则。选择正确的模式生物是至关重要的:挑一个有机体,是很容易获得和维持。无脊椎动物是理想的,因为他们通常不要求实验机构批准,其畜牧业的需求往往比脊椎动物的要求不高。从科学的角度来看,它是有利于选一种动物,有一个既定的神经行为学文献记载,从中可以得出的假设进行测试21。
选择一个合适的有机体一样重要的是选择适当的行为反射学习。 LEGO NXT平台只能处理四个传感器,而传感器有限的,所以选择一个相对简单的感官系统自定义修改是很重要的。简单的反射行为往往是很好的描述,并提供hypot将更多的灵活性,可测试heses。 NXT的计算能力是一个限制因素也应作出努力,以减少神经系统仿真的范围。科学家经常发布解释具体的行为提出了神经网络,它是最简单的选择之一。简单的税费和kineses非常适合这种仿生机器人的方法22。
虽然这种方法可用于快速检测神经系统的假设,有几个限制牢记。测试可能的范围是有限的。复杂的感觉系统不能使用这个平台。例如,复杂的可视处理超出NXT处理器的能力,但相关的问题是可以解决的调查的视觉系统的简单的组件,例如光流处理。 NXT的传感器套件提供了一些固有的局限性,调查的范围。虽然定制传感器可以开发和使用Øn的NXT的,这是一个耗时的过程,要求电子设备的专业知识,可能是否定的平台快速实验实施的优点。
虽然有一些限制的范围可测试的假设,这种方法提供了一个独特的工具,体现的神经系统模拟早期阶段实施。 LEGO MINDSTORMS NXT平台可以成为一个更彻底的测试系统级假说证明这种机器人RoboLamprey 9和芭芭拉·韦伯的机器人板球23作为垫脚石。广泛的仿生控制体系结构的简单的组件可以测试在一个快速和简单的方式。该方法还可以促进生物控制虚拟代理包括体现了车辆用控制24的混合模拟,它可以作为一个大脑和机器之间的接口25的仿生的控制框架。
使用LEGO头脑风暴的平台允许这种仿生机器人的方法转移到一个更广泛的受众在学校和实验室机器人外部的。该工具已被用于高中和大学学生11提供了一个令人兴奋的探究为基础的方法教给神经系统,机器人技术,跨学科的科学价值。没有设备或背景需要建立机器人实验室可以使用此支持主流的机器人套件,使用机器人作为一种工具,在他们的工作。仿生机器人的方法可以适用于一系列领域的研究,从神经系统科学和行为学,生物力学和社会行为。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者宣称,他们有没有竞争经济利益。
Acknowledgments
我们感谢克里斯·罗杰斯博士(美国塔夫茨大学)用于编程和手稿建议。我们感谢亚历克斯朱利亚诺和德博拉·李支持视频制作。
提供的资金由美国国家科学基金会研究生研究奖学金在合成生物学和ONR穆里。
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).