Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Neuroscience

Design og implementering af Nervesystemet Simuleringer på LEGO robotter

doi: 10.3791/50519 Published: May 25, 2013

Summary

En tilgang til neurale netværk modellering på LEGO Mindstorms robot platform præsenteres. Metoden giver et simuleringsværktøj for hvirvelløse neurovidenskab forskning i både forskningslaboratorium og klasseværelset. Denne teknik gør det muligt at undersøge biomimetiske robotstyring principper.

Abstract

Vi præsenterer en metode til at bruge kommercielt tilgængelige LEGO Mindstorms NXT robotter platform til at teste systemerne niveau neurovidenskab hypoteser. Det første trin i metoden er at udvikle et nervesystem simulering af specifikke refleksive adfærd af en passende model organisme, her bruger vi den amerikanske hummer. Eksteroceptiv reflekser medieret af decussating (krydsning) neurale forbindelser kan forklare et dyrs taxaer mod eller væk fra en stimulus som beskrevet af Braitenberg og er især velegnet til undersøgelse ved hjælp af NXT platformen. 1. nervesystemet simulation er programmeret ved hjælp af LabVIEW software på LEGO Mindstorms-platform. Når nervesystemet er indstillet korrekt, bliver adfærdsmæssige eksperimenter køre på robotten og på dyret under identiske miljøforhold. Ved at styre den sensoriske miljø opleves af prøverne, kan forskellene i adfærdsmæssige udgange overholdes. Disse forskelle kan pege på specifikke deficiencerne i nervesystemet model og tjener til at informere iteration af model for en bestemt adfærd under studiet. Denne metode giver mulighed for den eksperimentelle manipulering af elektroniske nervesystemer og tjener som en måde at udforske neuroscience hypoteser specifikt vedrørende neurofysiologiske grundlag af simple medfødte refleksive adfærd. LEGO Mindstorms NXT kit giver en billig og effektiv platform til at teste de indledende biomimetiske robotstyring ordninger. Den fremgangsmåde er også velegnet til high school klasseværelset til at tjene som grundlag for en hands-on inquiry-baserede biorobotics pensum.

Introduction

Neurofysiologiske undersøgelser i løbet af de seneste 100 år har udvidet enormt vores viden om nervesystemet struktur og funktion. Imidlertid har de fleste af nervesystemet hidtidige forskning påberåbt anvendelsen af ​​isolerede præparater eller tilbageholdende emner. Mens der har været mange vellykkede bestræbelser på at optage neurale aktivitet i frit opfører dyr 2-5, den biorobotic tilgang giver et værdifuldt redskab til at give mulighed for nervesystemet manipulation for at teste systemer niveau neurovidenskab hypoteser 6.. Simuleret nervesystem opererer på robotter kan eksperimentelt manipuleres og give mulighed for udvidelse af software modellering til den fysiske verden. Denne tilgang er blevet godt gennemført i den akademiske verden 7,8, men processen med at opbygge et biomimetisk robot til hypotesetest kan være dyrt og tidskrævende. Vi præsenterer en metode til at udføre biorobotic tilgang med en kommercielt tilgængelig robotteknologi kdet (LEGO Mindstorms NXT 2.0). Målet med denne metode er at give en hurtig og effektiv måde at teste systemerne niveau neurovidenskab hypoteser om robot 9 eller bio-hybrid 10 legemliggjort neurale netværk simuleringer. Fremskynde processen fra hypotesen at eksperimentere forbedrer forskningen produktivitet. Den simple LEGO Mindstorms platform giver et prøveanlæg for biomimetiske sensorer og neurale netværk, som vi vise ved hjælp af amerikanske hummer (Homarus americanus) som en model organisme. Metoden giver også en stærk hands-on pædagogisk redskab i klasseværelset, da eleverne kan designe og manipulere nervesystemer for deres egne robotter 11..

Protocol

1.. Opbygning af Robot Model

  1. Vælg en model organisme for at studere, som er godt repræsenteret i neuroethological litteratur. Hvirvelløse generelt gøre gode kandidater, fordi deres relativt simple nervesystem er blevet godt undersøgt og er primært sammensat af medfødte reflekser. Vi vil demonstrere denne tilgang med den amerikanske hummer, Homarus americanus.
  2. Vælg velundersøgte refleksive adfærd til modellering formål. Vi har valgt den hummer svar til antennal bøjning og klo bump detektion dyret refleksivt reagerer på bøjning af antenner til at fremkalde rheotaxis (orientering til vand flow), mens klo kontakter mægle hindring unddragelse. Enkle reflekser afhængige decussating neurale forbindelser fra bilateralt symmetriske sensorer er velegnede til denne type undersøgelse 1.
  3. Byg eller vælg en robot platform med passende sensorer for de valgte adfærd for at køre de neuralenetværk simulering. Mens en dedikeret robot kan konstrueres som RoboLobster 12 eller Sprawl (Kakerlak) robot familie 13, her bruger vi et kommercielt tilgængeligt kit til at fremskynde den eksperimentelle proces. LEGO Mindstorms NXT 2.0 kit, giver skabeloner, modulære komponenter og etablerede sensorer, giver mulighed for hurtig fysisk konstruktion af robotten.
  4. Vælg eller bygge sensorer til at matche de nærmere retningslinjer for den adfærd valgt i trin 1.2. Premade sensorer fra LEGO Mindstorms kit kan bruges eller homebrew sensorer kan manipuleret 14,15. Vi har udvalgt den medfølgende LEGO touch-sensor og en brugerdefineret antennal bøjning sensor bestående af en Flexpoint bend sensor splejset til en NXT-stik. At opbygge en brugerdefineret resistiv stik, klippe en NXT-stik ledninger og lodde de sorte og hvide kabler til fører af sensoren.
  5. Brug tidligere offentliggjorte neuroethological undersøgelser for at finde eller udvikle en hypotetisk neurale netværk til modellering purposes. Litteraturen har foreslået forskellige neurale netværk til at forklare adfærd i forskellige modelorganismer, fra hummere 16 til lamprey 17.. Funktionelle neurale enheder skal identificeres og deres synaptiske forbindelser teoretiseret. Nye neuroethological eksperimenter kan også udvikles og gennemføres, hvis laboratorie omstændighederne tillader det.

2.. Programmering af Nervous System

  1. Brug LabVIEW software sammen med LabVIEW modul til LEGO MINDSTORMS NXT til at skabe Virtuelle instrumenter (VIS), der kører ligninger for en matematisk neuron og synapse model. Mens alle offentliggjorte model kan bruges, anbefaler vi diskret tid kortbaseret (DTM) model 18.. Dette giver mulighed for beregningsmæssigt effektiv realtid operation og samtidig opretholde en bred vifte af neuronfyring output regimer. To kontrolparametre, alfa og sigma, bestemme dynamikken i den simulerede neuron til at producere varierede neurale output, herunder tonic spiking, kaotisk fyring, sprængning og iboende stilhed. LabVIEW VIs for LEGO Mindstorms til dette neuron model kan findes online her: http://myfiles.neu.edu/blustein.d/neurobots
  2. Placer VIs ind i en while-løkke, så netværket opdaterer iterativt.
  3. Tilslut præsynaptiske neuron spike udgange gennem synapser til postsynaptiske neuroner.
  4. Pass iterativt opdatere parametrene via skifteregistrene til næste beregning cyklus. DTM-modellen opdaterer hurtigt (x) og langsom (y) dynamiske variabler, der videregives til den næste iteration af beregninger.
  5. Indstil synapse parametre til at definere netværks egenskaber. For hver synapse er det synaptiske styrke (gsyn), afslapning sats (gamma), og tilbageførsel potentiale (XRP) koefficienter i DTM modellen ligninger, der bestemmer synaptiske adfærd. Værdien af gsyn er en multitang, der bestemmer størrelsen af ​​den synaptiske strøm fra en spids begivenhed, der spænder fra 0,0 (ingen virkning) til 1,0 (100% effekt). Værdien af gamma er en multiplikator, der bestemmer graden af henfald af den synaptiske strøm uanset spike begivenheder, der spænder fra 0,0 (komplet henfald) til 1,0 (intet henfald). Værdien af XRP bestemmer niveauet af excitation eller hæmning af synapse, værdier typisk spænder fra -3,0 til 3,0 med positive værdier repræsenterer excitation og negative værdier repræsenterer hæmning. Værdier kan tunet til dine specifikke netværk egenskaber. Her bruger vi følgende indstillinger: gamma = 0,95, gsyn = 0,60 og XRP = 2,2 (excitatory synapse) eller -1.8 (hæmmende synapse).
  6. Juster alfa og sigma kontrolparametre til at ændre baseline neuron aktivitet. Dynamikken i modellen for forskellige styringsparametre er beskrevet i detaljer andetsteds 18 men typisk alfa sigma værdier eller tonic spiking for høj sigma værdier. Overgangen mellem »lav« og »høj« sigma-værdier generelt opstår mellem -1.0 og 1,0 afhængig af alpha værdi. Sprængfyldt neuron aktivitet er produceret til alpha> 4, når sigma værdier er nær nul. Her bruger vi alpha = 4,05 og sigma = -3,10.
  7. Brug LabVIEW VIs til indgangsføler oplysninger i dit netværk. For forudsat sensorer er VIs allerede foreligger inden for Mindstorms LabVIEW modul. For brugerdefinerede resistive sensorer, skal du bruge lyssensoren VI som et programmeringssprog ramme. Oplysninger om oprettelse af homebrew sensorer kan findes andre steder 14..
  8. Indsæt grafiske diagrammer på frontpanelet af LabVIEW program til at visualisere neuronal aktivitet.
  9. Vikarierede følerindgange med frontpanel kontrolbokse for at manuelt at manipulere sensoreninformation går til det neurale netværk.
  10. Kør neuronale netværk og manuelt justere frontpanelet til at præsentere varieret sanseindtryk. Bekræft, at netværket kvalitativt fungerer som forudsagt for kendte forhold.
  11. Juster netværket efter behov ved at ændre neuron og synapse parametre. Første forsøg på tuning netværket bør gøres ved at ændre synaptisk styrke (gsyn) i de forskellige synapser. Andre parametre skal muligvis justeres.
  12. Når netværket fungerer med kvalitativ nøjagtighed, Sæt frontpanelet kontrolbokse med sensorinput VIs.

3.. Nervous System Simulation Test

  1. Opsæt et kontrolleret miljø, hvor at observere dyret og robotten på lignende betingelser. Vi bruger en rektangulær tank med sten forhindringer (figur 1). Tanken kan tømmes til at rumme LEGO robot på den samme plads.
  2. Mount avIDEO kamera overhead til optage dyret / robot adfærd. Sørg for, at kontrasten mellem motivet og baggrunden er høj for at tillade automatisk tracking. Vi malede bunden af ​​testen tanken hvid.
  3. Placer dyret i et kontrolleret miljø og videooptagelse adfærd. Vær sikker på at begrænse de sensoriske kapaciteter af hummer for at matche dem i robotten. Her har vi begrænse hummer sensoriske evner ved at dække øjnene med aluminiumsfolie maske og deafferenting chemoreceptors med ferskvand 19.
  4. Juster miljø, der passer til en LEGO robot (fjernelse af vand om nødvendigt) og køre robotten i den samme kontrolleret miljø.
  5. Brug en MATLAB script til automatisk at spore markørerne på prøver. Vi bruger MouseLabTracker 20.
  6. Opret og sammenligne vektor afbildninger af dyre-og robot bevægelser.
  7. Rediger nervesystemet og gentag trin 3.3-3.6 for at iagttage, hvordan forskellige aspekter af den elektroniskenervesystem påvirker robottens opførsel. Her har vi justerer synaptiske styrke mellem klo bump sensor neuroner og det motoriske system og overvåge robot ydeevne i forhold til, at en hummer. Alternativt kan de sensoriske forhold i testområdet ændres, og de observerede virkninger i robotten og dyr. For eksempel kunne arenaen her beskrevne underkastes forskellige vandmængder.

Representative Results

Input fra en hummer kløer i sit nervesystem mægle hindring forhandling i en roman miljø. Figur 1 viser et skærmbillede af den video bruges til at analysere opførslen af en LEGO robot (figur 1A) og en hummer (figur 1B) i testen arena. Testområdet blev umodificeret mellem dyr og robot test bortset fra, at vandet blev tømt fra tanken til robotten forsøg.

Videosporingssystemet resultaterne vises i figur 2.. Dyre-og robot rejse stier blev automatisk sporet ved hjælp MouseLabTracker 20 i MATLAB. Repræsentative stier til hummer (sorte linjer) og LEGO robot forsøg (farvede linjer) er vist. I robotten forsøg bump synaptisk styrke fra kloen sensoriske neuroner i nervesystemet blev varieret og repræsenteret af forskellige farvede stier (rød, lav excitation, blå, medium excitation, grøn, høj magnetisering). Den hypotetiske nervøs system med midten niveau excitatoriske forbindelser fra klo bump sensoriske neuroner producerede lignende adfærd til dyret. Kvantitative parametre kan udvindes fra de data, såsom vejlængde og gennemsnitlig ganghastighed (tabel I).

Figur 1
Figur 1. Overhead videoframes af test arena for LEGO robot (A) og hummer (B) forsøg. Forhold blev holdt identiske, bortset fra at vand blev tilsat til tanken for dyreforsøg. Den høje kontrast videobillede letter automatiske tracking MATLAB software.

Figur 2
Figur 2. Sporing af hummer (sorte linjer) og LEGO robot (farvede linjer) stier igennem testen enrena vist i figur 1 på robotten, var den synaptiske styrke fra klo bump sensor neuroner varieret (rød, lav excitation, blå, medium excitation, grøn, høj magnetisering).. Symbolet * betegner startpositionen og fyldte sorte figurer viser placeringen af ​​forhindringer. Siden hoved holdning blev spores, tilsyneladende hindring kontakt varierer på grund af variation i klo position.

Gennemsnitlig sti afstand (cm) Gennemsnitlig kørehastighed (cm)
Hummer 177,37 1.03
LEGO Robot (høj magnetisering) 162,72 0.94
LEGO Robot (medio excitation) 165,32 0.85
LEGO Robot (lav magnetisering) 51.02 0,69

Tabel I. Averaged parametre fra analysen af video-adfærd data for hummere og LEGO robotter med forskellige styrker af input synapser fra klo bump sanseorgan.

Discussion

Ved indledning biorobotic nervesystem simulation eksperimenter, er der et par vigtige retningslinjer at følge. At vælge den rigtige model organisme er kritisk: vælge en organisme, der er let at opnå og vedligeholde. Hvirvelløse er ideelle, fordi de ikke kræver normalt institutionel godkendelse til eksperimenter og deres opdræt behov er ofte mindre krævende end hvirveldyr. Fra et videnskabeligt perspektiv, er det gavnligt at vælge et dyr, der har en etableret neuroethological litteratur rekord hvorfra man kan trække hypoteser til test 21.

Lige så vigtigt som at vælge en passende organisme er valget af passende adfærdsmæssige reflekser for at studere. LEGO NXT platformen kan kun håndtere fire sensorer uden brugerdefinerede modifikationer, så at vælge en relativt simpelt sensoriske system med begrænset sensorer er vigtig. Simple adfærdsmæssige reflekser er ofte godt beskrevet og give mere fleksibilitet i hypotheses der kan testes. Den computerkraft NXT er en begrænsende faktor for så bør gøres en indsats for at reducere omfanget af nervesystemet simulering. Forskere udgiver ofte foreslået neurale netværk forklarer specifikke adfærd, og det er lettest at vælge en af ​​disse. Simple skatter og kineses er velegnede til denne biorobotic tilgang 22..

Mens denne fremgangsmåde er nyttig til hurtig test af nervesystemet hypoteser, der er flere begrænsninger at huske. Omfanget af test mulig er begrænset. Komplicerede sensoriske systemer kan ikke bruges med denne platform. For eksempel er kompleks visuel bearbejdning ud over evnen til NXT processor, men relaterede spørgsmål kan løses ved at undersøge enklere komponenter af visuelle system, såsom optisk flow forarbejdning. Sensoren suite for NXT giver nogle iboende begrænsninger med hensyn til omfanget af undersøgelserne til rådighed. Mens brugerdefinerede sensorer kan udvikles og bruges on NXT, dette er en tidskrævende proces, der kræver elektronik ekspertise, eventuelt ophæver fordelene ved platformen til hurtig eksperimentelle gennemførelse.

Mens der er begrænsninger på den række af hypoteser, der kan testes, denne tilgang giver et unikt værktøj til tidlige stadier af gennemførelsen af ​​legemliggjort nervesystemet simuleringer. LEGO Mindstorms NXT platformen kan fungere som et springbræt til en mere grundig test af systemer niveau hypoteser som påvist ved sådanne robotter som RoboLamprey 9 og Barbara Webbs robot cricket 23. Simple komponenter af omfattende biomimetiske styringsarkitekturer kan testes på en enkel og hurtig måde. Metoden kan også rykke bio-hybrid simulationer, der styrer virtuelle agenter til at omfatte legemliggjort vehikelkontrol 24, og det kan tjene som et biomimetisk kontrolstruktur grænsefladen mellem hjernen og maskine 25..

Brug af LEGOMindstorms platform giver mulighed for overførsel af denne biorobotic tilgang til et bredere publikum i skoler og laboratorier uden for robotteknologi. De redskaber har været brugt af high school og college-studerende 11 og giver en spændende inquiry-baserede metode til at undervise neurovidenskab, robotteknologi, og værdien af tværfaglig videnskab. Laboratorier uden udstyr eller baggrunden er nødvendig for at bygge robotter kan bruge denne velunderbyggede mainstream robotteknologi kit til at bruge robotter som et redskab i deres arbejde. Den biorobotic tilgang kunne gælde for forskningen inden for en række områder, fra neurovidenskab og etologi til biomekanik og social adfærd.

Disclosures

Forfatterne erklærer, at de ikke har nogen konkurrerende finansielle interesser.

Acknowledgments

Vi takker Dr. Chris Rogers (Tufts University) til programmering og manuskript forslag. Vi takker Alex Giuliano og Deborah Lee til videoproduktion support.

Finansiering leveres af en NSF Graduate Research Fellowship og en ONR MURI i syntetisk biologi.

References

  1. Braitenberg, V. Taxis, kinesis and decussation. Prog. in Brain Res. 17, 210-222 (1965).
  2. 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).
  3. Kagaya, K., Takahata, M. Readiness discharge for spontaneous initiation of walking in crayfish. Journal of Neuroscience. 30, (4), 1348-1362 (2010).
  4. Schrameck, J. E. Crayfish Swimming: Alternating Motor Output and Giant Fiber Activity. Science. 169, (3946), 698-700 (1970).
  5. 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).
  6. Webb, B. Validating biorobotic models. Journal of Neural Engineering. 3, 1-20 (2006).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Gasperi, M., Hurbain, P. Extreme NXT: Extending the LEGO MINDSTORMS NXT to the Next Level. Apress. Berkeley, C.A. (2007).
  15. Gasperi, M. LabVIEW for LEGO MINDSTORMS NXT. National Technology and Science Press. Allendale, N.J. (2008).
  16. Kennedy, D., Davis, W. Chapter 27 Organization of invertebrate motor systems. Handbook of Physiology. 1, 1023-1088 (1977).
  17. Buchanan, J., Grillner, S. Newly identified "glutamate interneurons" and their role in locomotion in the lamprey spinal cord. Science. 236, (4799), 312-314 (1987).
  18. Rulkov, N. Modeling of spiking-bursting neural behavior using two-dimensional map. Physical Review E. 65, (2002).
  19. 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).
  20. 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).
  21. Huxley, T. H. The Crayfish, An Introduction to the Study of Zoology. C. Kegan Paul & Co. London. (1880).
  22. 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).
  23. Webb, B., Scutt, T. A simple latency-dependent spiking-neuron model of cricket phonotaxis. Biological Cybernetics. 82, (3), 247-269 (2000).
  24. 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).
  25. 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).
Design og implementering af Nervesystemet Simuleringer på LEGO robotter
Play Video
PDF DOI

Cite this Article

Blustein, D., Rosenthal, N., Ayers, J. Designing and Implementing Nervous System Simulations on LEGO Robots. J. Vis. Exp. (75), e50519, doi:10.3791/50519 (2013).More

Blustein, D., Rosenthal, N., Ayers, J. Designing and Implementing Nervous System Simulations on LEGO Robots. J. Vis. Exp. (75), e50519, doi:10.3791/50519 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter