Login processing...

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

Neuroscience

Ontwerpen en implementeren van het zenuwstelsel Simulaties op LEGO Robots

doi: 10.3791/50519 Published: May 25, 2013

Summary

Een benadering van neurale netwerk modellen op de LEGO Mindstorms robotica platform wordt gepresenteerd. De methode omvat een simulatie-tool voor ongewervelde neurowetenschappelijk onderzoek in zowel het onderzoekslaboratorium en de klas. Deze techniek maakt het onderzoek van biomimetic robot principes controle.

Abstract

We presenteren een methode om de commercieel beschikbare LEGO Mindstorms NXT robotics platform te gebruiken om systemen niveau neurowetenschappen hypothesen te toetsen. De eerste stap van de werkwijze is een zenuwstelsel simulatie van specifieke reflexieve gedrag van een geschikt modelorganisme ontwikkelen, hier gebruiken we het Amerikaanse kreeft. Exteroceptieve reflexen gemedieerd door decussating (kruispunt) neurale verbindingen taxis van een dier leggen naar of van een stimulus zoals beschreven door Braitenberg en zijn bijzonder geschikt voor onderzoek met de NXT platform. 1 Het zenuwstelsel simulatie kan via de LabVIEW-software op de LEGO Mindstorms platform. Zodra het zenuwstelsel goed is afgesteld, worden gedragsexperimenten op de robot gelopen en het dier onder identieke omstandigheden. Door het regelen van de sensorische milieu ervaren door de monsters kunnen verschillen in gedrag uitgangen waargenomen. Deze verschillen kunnen wijzen op specifieke deficiencven in het zenuwstelsel model en dienen om de herhaling van de model ene probleem bestudeerde kennis. Deze werkwijze maakt de experimentele manipulatie van elektronische zenuwstelsel en dient als een manier om neurologie hypotheses specifiek over de neurofysiologische basis van eenvoudige aangeboren reflexieve gedrag verkennen. De LEGO Mindstorms NXT kit biedt een betaalbaar en efficiënt platform waarop de voorlopige biomimetic controle regelingen robot te testen. De aanpak is ook zeer geschikt voor de middelbare school klas om te dienen als de basis voor een hands-on onderzoekend biorobotics curriculum.

Introduction

Neurofysiologische onderzoeken van de afgelopen 100 jaar hebben enorm verbreed onze kennis van het zenuwstelsel structuur en functie. Echter, de meerderheid van zenuwstelsel onderzoek tot op heden heeft zich op het gebruik van geïsoleerde preparaten of ingetogen onderwerpen. Hoewel er vele succesvolle pogingen om neurale activiteit op te nemen om vrij te gedragen dieren 2-5 geweest zijn, de biorobotic benadering levert een waardevol instrument om te zorgen voor het zenuwstelsel manipuleren teneinde systemen niveau neurowetenschappen hypotheses te testen 6. Gesimuleerde zenuwstelsels werken op robots kan experimenteel gemanipuleerd worden en zorgen voor de uitbreiding van de software modellering om de fysieke wereld. Deze aanpak is goed geïmplementeerd in de academische wereld 7,8 maar het proces van het bouwen van een biomimetische robot voor het testen van hypothesen kan duur en tijdrovend zijn. We presenteren een methode om de biorobotic benadering met behulp van een in de handel verkrijgbaar robotica k voerenhet (LEGO Mindstorms NXT 2.0). Het doel van deze methode is om een snelle en efficiënte manier om systemen niveau neurowetenschappen hypothesen te testen rond robot 9 of bio-hybride 10 belichaamd neuraal netwerk simulaties bieden. Versnelling van het proces van hypothese te experimenteren verbetert de productiviteit onderzoek. De eenvoudige LEGO Mindstorms-platform biedt een test bed voor biomimetische sensoren en neurale netwerken die we demonstreren met behulp van de Amerikaanse kreeft (Homarus americanus) als modelorganisme. De methode biedt ook een krachtige hands-on educatief hulpmiddel in de klas als leerlingen kunnen ontwerpen en manipuleren van het zenuwstelsel voor hun eigen robots 11.

Protocol

1. Het bouwen van de robot Model

  1. Kies een modelorganisme te bestuderen die goed is vertegenwoordigd in de neuroethological literatuur. Ongewervelden algemeen maken goede kandidaten, omdat hun relatief eenvoudige zenuwstelsels zijn goed bestudeerd en worden voornamelijk uit aangeboren reflexen. We zullen deze aanpak met de Amerikaanse kreeft, Homarus americanus demonstreren.
  2. Kies goed bestudeerd reflexief gedrag voor het modelleren doeleinden. We hebben de reacties van de kreeft is gekozen om antennal bocht en klauw hobbel detectie als het dier reflexmatig reageert op het buigen van de antennes naar rheotaxis (oriëntatie op waterstroom) uitlokken terwijl klauw contacten bemiddelen obstakel vermijden. Eenvoudige reflexen vertrouwen op decussating neurale verbindingen van tweezijdig symmetrische sensoren zijn zeer geschikt voor dit soort onderzoek 1.
  3. Bouwen of kies een robotica platform met de juiste sensoren voor het geselecteerde gedrag om de neurale draaiennetwerk simulatie. Terwijl een toegewijde robot kan worden geconstrueerd zoals RoboLobster 12 of de Sprawl (kakkerlak) robot familie 13, hier maken we gebruik van een commercieel verkrijgbare kit om het experimentele proces te versnellen. De LEGO Mindstorms NXT 2.0 kit, het verstrekken van templates, modulaire componenten en gevestigde sensoren, zorgt voor de snelle fysieke bouw van de robot.
  4. Selecteer of bouwen sensoren om de modaliteiten van de in stap 1.2 gedrag overeenkomen. Premade sensoren uit de LEGO Mindstorms kit kan worden gebruikt of homebrew sensoren kunnen worden gemanipuleerd 14,15. We hebben het opgenomen LEGO aanraaksensor en een aangepaste antennal bocht sensor bestaat uit een FlexPoint bocht sensor gelast aan een NXT connector geselecteerd. Om een ​​aangepaste resistieve connector te bouwen, snijd een NXT connector draad en soldeer de zwarte en witte kabels aan op de draden van de sensor.
  5. Gebruik eerder gepubliceerde neuroethological studies naar een hypothetische neuraal netwerk voor het modelleren p vinden of te ontwikkelenurposes. De literatuur heeft verschillende neurale netwerken voorgesteld om gedrag te verklaren in verschillende modelorganismen, van kreeften 16 tot lamprei 17. Functionele neurale eenheden moeten worden geïdentificeerd en hun synaptische verbindingen getheoretiseerd. Roman neuroethological experimenten kunnen ook worden ontwikkeld en uitgevoerd als het laboratorium omstandigheden het toelaten.

2. Programmeren van de Zenuwstelsel

  1. Gebruik LabVIEW software samen met de LabVIEW Module voor LEGO MINDSTORMS NXT aan virtuele instrumenten (VI's) die vergelijkingen voor een wiskundige neuron en synaps model draaien creëren. Hoewel elke gepubliceerde model kan worden gebruikt, adviseren wij de discrete tijd map-based (DTM) model 18. Dit zorgt voor een computationeel efficiënt real-time werking met behoud van een verscheidenheid van neuronale uitgang regimes. Twee regelparameters, alpha en sigma, bepalen de dynamiek van de gesimuleerde neuron om verschillende neurale uitgang inbegrip toni producerenc stekelige, chaotisch vuren, barsten en intrinsieke stilte. LabVIEW VI's voor LEGO Mindstorms voor deze neuron model kan hier online worden gevonden: http://myfiles.neu.edu/blustein.d/neurobots
  2. Plaats VI's in a While lus, zodat het netwerk iteratief zal updaten.
  3. Sluit presynaptische neuron spike uitgangen via synapsen aan postsynaptische neuronen.
  4. Pass iteratief updaten parameters via schuifregisters naar de volgende berekening cyclus. Het model DTM updates snel (x) en langzame (y) dynamische variabelen die worden doorgegeven aan de volgende iteratie van berekeningen.
  5. Stel synaps parameters kenmerken netwerk definiëren. Voor elke synaps, de synaptische sterkte (gsyn), de ontspanningsgraad (gamma), en de terugboeking potentieel (xrp) zijn coëfficiënten in de DTM modelvergelijkingen dat synaptische gedrag bepalen. De waarde van gsyn is een multiplier dat de grootte van de synaptische stroom vanaf een piek gebeurtenis, variërend van 0,0 (geen effect) tot 1,0 (100% effect) bepaalt. De waarde van de gamma is een multiplier dat de vervalsnelheid van de synaptische stroom bepaalt ongeacht spike gebeurtenissen, variërend van 0,0 (complete decay) tot 1,0 (zonder afname). De waarde van xrp bepaalt het niveau van excitatie of remming van de synaps, waarden bedraagt ​​gewoonlijk -3.0 tot 3.0 met positieve waarden die excitatie en negatieve waarden vertegenwoordigen remming. Waarden kan worden afgesteld op uw specifieke netwerk kenmerken. Hier gebruiken we de volgende instellingen: gamma = 0.95, gsyn = 0,60 en xrp = 2.2 (prikkelende synaps) of -1,8 (remmende synaps).
  6. Pas alpha en sigma regelparameters met baseline neuron activiteit te wijzigen. De dynamiek van het model voor uiteenlopende regelparameters elders 18 beschreven maar meestal, alpha sigma waarden of tonic stekelige voor hoge sigma waarden. De overgang tussen 'lage' en 'hoge' sigma waarden ontstaat meestal tussen -1,0 en 1,0, afhankelijk van de alpha waarde. Barsten neuron activiteit wordt geproduceerd voor alpha> 4 wanneer sigma waarden zijn bijna nul. Hier gebruiken we alpha = 4.05 en sigma = -3,10.
  7. Gebruik LabVIEW VI's om input sensor gegevens in uw netwerk. Voor verstrekt sensoren, de VI's zijn al beschikbaar in de Mindstorms LabVIEW module. Voor aangepaste resistieve sensoren, gebruikt u de lichtsensor VI als programmeertaal raamwerk. Informatie over het maken van homebrew sensoren kunnen elders 14 te vinden.
  8. Steek grafische kaarten op het voorpaneel van het LabVIEW programma om neuronale activiteit visualiseren.
  9. Tijdelijk sensor vervangen ingangen met frontpaneel dozen om de sensor handmatig te manipulereninformatie naar het neurale netwerk.
  10. Voer het neuronale netwerk en het frontpaneel handmatig aanpassen aan uiteenlopende zintuiglijke input te presenteren. Bevestigen dat het netwerk kwalitatief functioneert zoals voorspeld voor bekende omstandigheden.
  11. Stel het netwerk zo nodig door het veranderen van de parameters neuron en synaps. Eerste pogingen tot afstemming van het netwerk moet worden gedaan door het veranderen van synaptische sterkte (gsyn) van de verschillende synapsen. Andere parameters moet eveneens worden aangepast.
  12. Zodra de netwerkfuncties met kwalitatieve nauwkeurigheid, vervang het voorpaneel besturingskasten met de sensor ingang VI's.

3. Nervous System Simulation Testing

  1. Het opzetten van een gecontroleerde omgeving waarin het dier en de robot observeren onder vergelijkbare omstandigheden. We maken gebruik van een rechthoekige tank met rots hindernissen (figuur 1). De tank kan worden geleegd de LEGO robot in dezelfde ruimte tegemoet.
  2. Mount avideo camera boven het dier / robot gedrag opnemen. Zorg ervoor dat het contrast tussen het onderwerp en de achtergrond is hoog om voor automatische tracking. We schilderden de bodem van de test tank wit.
  3. Plaats het dier in de gecontroleerde omgeving en video-opname van het gedrag. Zorg ervoor dat de zintuiglijke capaciteiten van de kreeft aan die van de robot overeen te beperken. Hier beperken we de kreeft de zintuiglijke capaciteiten door het bedekken van de ogen met een aluminiumfolie masker en deafferenting chemoreceptors met zoetwater 19.
  4. Pas de omgeving naar een LEGO robot (het verwijderen van water indien nodig) aan te passen en laat de robot in dezelfde gecontroleerde omgeving.
  5. Gebruik een MATLAB script om automatisch te volgen de markeringen op de monsters. Wij gebruiken MouseLabTracker 20.
  6. Maak en vergelijk vector percelen van het dier en de robot bewegingen.
  7. Wijzig het zenuwstelsel en herhaal de stappen 3,3-3,6 om te zien hoe de verschillende aspecten van het elektronischzenuwstelsel beïnvloedt het gedrag van de robot. Hier de synaptische sterkte tussen de klauw bump sensor neuronen en de motor en toezien robot prestaties in vergelijking met die van een kreeft passen we. Alternatief kan de gevoelstoestanden in de test arena worden gemodificeerd en de effecten zich robot en dier. Zo zou het hier beschreven arena worden onderworpen aan verschillende water debieten.

Representative Results

Input van klauwen een kreeft is in het zenuwstelsel mediëren obstakel onderhandeling in een nieuwe omgeving. Figuur 1 toont een afbeelding van de video gebruikt om het gedrag van een LEGO robot (figuur 1A) en een kreeft (figuur 1B) in de test arena analyseren. De test arena werd ongewijzigd tussen dier en robot testen, behalve dat het water werd geleegd uit de tank voor de robot proeven.

Video-tracking resultaten worden weergegeven in figuur 2. Reizen paden dier en robot werden automatisch bijgehouden met MouseLabTracker 20 in MATLAB. Vertegenwoordiger paden voor kreeft (zwarte lijnen) en LEGO robot trials (gekleurde lijnen) worden getoond. In de robot proeven, synaptische kracht uit de klauw tegen het lijf sensorische neuronen in het zenuwstelsel was gevarieerd en vertegenwoordigd door verschillende gekleurde paden (rood, lage excitatie, blauw, medium excitatie, groen, hoge excitatie). De hypothetische nerveuze system met mid level prikkelende verbindingen vanaf de klauw bult sensorische neuronen geproduceerd vergelijkbaar gedrag van de dieren. Kwantitatieve parameters kunnen worden geëxtraheerd uit de gegevens zoals weglengte en de gemiddelde loopsnelheid (tabel I).

Figuur 1
Figuur 1. Overhead videoframes van de test arena voor LEGO robot (A) en kreeft (B) proeven. Voorwaarden zijn gelijk gehouden, behalve dat water aan de tank voor dierproeven toegevoegd. Het beeld een hoog contrast video faciliteert automatische tracking met behulp van MATLAB software.

Figuur 2
Figuur 2. Het volgen van kreeft (zwarte lijnen) en LEGO robot (gekleurde lijnen) paden door de test eenrena weergegeven in figuur 1 op de robot, de synaptische kracht uit klauw hobbel sensor neuronen was gevarieerd (rood, lage excitatie, blauw, medium excitatie, groen, hoge excitatie).. Het symbool * geeft de startpositie en vol zwarte vormen tonen de locatie van obstakels. Sinds koppositie werd bijgehouden, schijnbare obstakel contact varieert als gevolg van variabiliteit in klauw positie.

Gemiddeld pad afstand (cm) Gemiddelde rijsnelheid (cm)
Kreeft 177,37 1.03
LEGO Robot (hoog excitatie) 162,72 0.94
LEGO Robot (mid excitatie) 165,32 0.85
LEGO Robot (lage excitatie) 51.02 0.69

Tabel I. Averaged parameters uit de analyse van video-gedrag gegevens voor kreeften en voor LEGO robots met verschillende sterktes van de input synapsen uit de klauw bult sensorische systeem.

Discussion

Bij het opstarten van biorobotic zenuwstelsel simulatie-experimenten, zijn er een paar belangrijke richtlijnen te volgen. Het kiezen van het juiste model organisme is kritisch: kies een organisme dat is gemakkelijk te verkrijgen en te behouden. Ongewervelde dieren zijn ideaal omdat ze meestal niet institutioneel toestemming voor experimenten nodig en de fokkerij behoeften zijn vaak minder streng dan die van gewervelde dieren. Vanuit een wetenschappelijk perspectief, is het nuttig om een dier dat een gevestigde neuroethological literatuur opnemen van waaruit hypothesen opstellen voor het testen van 21 heeft te kiezen.

Even belangrijk als het kiezen van een geschikt organisme is de keuze van geschikte gedrags reflexen voor studie. De LEGO NXT platform kan alleen omgaan met vier sensoren zonder aangepaste wijzigingen dus het kiezen van een relatief eenvoudig sensorisch systeem met beperkte sensoren is belangrijk. Eenvoudige gedrags reflexen zijn vaak goed beschreven en zorgen voor meer flexibiliteit in de hypotheses die getest kunnen worden. De rekenkracht van de NXT is een beperkende factor ook, dus er moeten inspanningen worden gedaan om de reikwijdte van het zenuwstelsel simulatie te verminderen. Wetenschappers publiceren vaak voorgesteld neurale netwerken uitleggen specifieke gedragingen en het het makkelijkst om een ​​van deze te selecteren. Eenvoudige belastingen en kineses zijn geschikt voor deze biorobotic benadering 22.

Hoewel deze aanpak nuttig voor snelle testen zenuwstelsel hypotheses, zijn er verschillende beperkingen in gedachten te houden. De reikwijdte van het testen mogelijk beperkt. Gecompliceerde sensorische systemen niet worden gebruikt met deze platform. Bijvoorbeeld, complexe visuele verwerking buiten het vermogen van de processor maar NXT vragen door onderzoek eenvoudiger componenten van het visuele systeem, zoals vision verwerking kunnen worden aangepakt. De sensor suite voor de NXT biedt een aantal inherente beperkingen met betrekking tot de omvang van het onderzoek beschikbaar zijn. Terwijl aangepaste sensoren kunnen worden ontwikkeld en gebruikt on de NXT, dit is een tijdrovend proces dat elektronica deskundigheid vereist, eventueel ontkennen de voordelen van het platform voor een snelle experimentele implementatie.

Terwijl er beperkingen aan het bereik van de hypotheses die getest kunnen worden, deze aanpak biedt een unieke tool om de eerste uitvoeringsfase van belichaamde zenuwstelsel simulaties. De LEGO Mindstorms NXT platform kan dienen als een opstapje naar een meer grondig testen van systemen niveau hypothesen zoals aangetoond door dergelijke robots als RoboLamprey 9 en Barbara Webb's robot cricket 23. Eenvoudige componenten van uitgebreid biomimetic besturingsarchitecturen kunnen worden getest in een snelle en eenvoudige manier. De werkwijze kan ook vooraf bio-hybride simulaties die virtuele agenten belichaamd voertuigcontrole 24 onder controle, en het kan dienen als een biomimetische controlekader als interface tussen hersenen en machine 25.

Met behulp van de LEGOMindstorms platform zorgt voor de overdracht van deze biorobotic aanpak voor een breder publiek in de scholen en laboratoria buiten de robotica. De instrumenten zijn gebruikt door hoge school en studenten 11 en zorgen voor een spannende vraag-gebaseerde methode om de neurowetenschappen, robotica, en de waarde van interdisciplinaire wetenschap te onderwijzen. Laboratoria zonder de apparatuur of achtergrond die nodig is om robots te bouwen kan dit goed onderbouwde mainstream robotics kit gebruiken om robots te gebruiken als een instrument in hun werk. De biorobotic benadering zou kunnen gelden voor onderzoek in een scala van gebieden, van neurowetenschappen en ethologie om biomechanica en sociaal gedrag.

Disclosures

De auteurs verklaren dat zij geen concurrerende financiële belangen.

Acknowledgments

Wij danken dr. Chris Rogers (Tufts University) voor de programmering en manuscript suggesties. Wij danken Alex Giuliano en Deborah Lee voor video productie ondersteuning.

Financiering verstrekt door een NSF Graduate Research Fellowship en een ONR MURI in Synthetic Biology.

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).
Ontwerpen en implementeren van het zenuwstelsel Simulaties op LEGO Robots
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