Login processing...

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

Neuroscience

Entwerfen und Implementieren von Nervous System Simulationen auf LEGO Roboter

doi: 10.3791/50519 Published: May 25, 2013

Summary

Ein Ansatz zur Modellierung neuronalen Netzes auf der LEGO Mindstorms Robotik-Plattform vorgestellt. Das Verfahren stellt ein Simulationstool für wirbellose neurowissenschaftlichen Forschung sowohl in der Forschung Labor und Klassenzimmer. Diese Technik ermöglicht die Untersuchung von biomimetischen Prinzipien Robotersteuerung.

Abstract

Wir präsentieren eine Methode, um die handelsüblichen LEGO Mindstorms NXT Roboter Plattform nutzen, um Systeme Ebene Neurowissenschaften Hypothesen zu testen. Der erste Schritt des Verfahrens ist es, ein Nervensystem Simulation der spezifischen reflexive Verhaltensweisen eines geeigneten Modells Organismus zu entwickeln, hier benutzen wir den amerikanischen Hummer. Exterozeptiven Reflexe von kreuzenden (Kreuzung) neuronalen Verbindungen vermittelt werden eines Tieres Taxis zu oder weg von einem Stimulus durch Braitenberg beschrieben und sind besonders gut geeignet für die Untersuchung mit dem NXT-Plattform zu erklären. 1 Das Nervensystem Simulation programmiert wird mithilfe von LabVIEW-Software auf dem LEGO Mindstorms Plattform. Sobald das Nervensystem richtig abgestimmt wird, werden Verhaltensexperimente am Roboter und am Tier unter identischen Umgebungsbedingungen ausgeführt. Durch die Steuerung der sensorischen Milieu von den Proben erlebt, können Unterschiede in Verhaltens-Ausgänge beobachtet werden. Diese Unterschiede können auf bestimmte deficienc hinweisenies im Nervensystem Modell und dienen dazu, die Iteration des Modells für das jeweilige Verhalten unter Studie zu informieren. Diese Methode ermöglicht die experimentelle Manipulation von elektronischen Nervensystem und dient als eine Möglichkeit, Neurowissenschaften Hypothesen speziell in Bezug auf die neurophysiologischen Grundlagen der einfachen angeborenen reflexive Verhaltensweisen zu erforschen. Der LEGO Mindstorms NXT-Kit bietet eine kostengünstige und effiziente Plattform, auf der vorläufigen biomimetische Roboter-Steuerung Systeme testen. Der Ansatz ist auch für die High-School-Klassenzimmer geeignet, um als Grundlage für einen Aufschlag hands-on inquiry-based Biorobotik Lehrplan.

Introduction

Neurophysiologische Untersuchungen in den letzten 100 Jahren enorm unser Wissen über das Nervensystem Struktur und Funktion erweitert. Allerdings hat die Mehrheit der Nervensystem Forschung bislang auf die Verwendung von isolierten Präparaten oder zurückhaltend Untertanen verlassen. Zwar gibt es viele erfolgreiche Bemühungen um die neuronale Aktivität von frei lebenden Tier 2-5 aufnehmen, stellt die biorobotic Ansatz ein wertvolles Werkzeug für Nervensystem Manipulation ermöglichen, um zu testen Systemebene Neurowissenschaften Hypothesen 6. Simulierte Nervensysteme, die auf Roboter kann experimentell manipuliert werden und ermöglichen die Erweiterung der Software-Modellierung der physischen Welt. Dieser Ansatz wurde auch in der akademischen Welt 7,8 umgesetzt, aber der Prozess des Aufbaus eine biomimetische Roboter zum Testen von Hypothesen kann teuer und zeitaufwändig sein. Wir präsentieren eine Methode, um die biorobotic Ansatz unter Verwendung eines handelsüblichen Robotik k ausführenes (LEGO Mindstorms NXT 2.0). Das Ziel dieser Methode ist es, eine schnelle und effiziente Möglichkeit, Systeme Ebene Neurowissenschaften Hypothesen über Roboter 9 oder bio-hybriden 10 verkörpert neuronalen Netzes Simulationen testen bereitzustellen. Beschleunigung des Prozesses vom Hypothese zu experimentieren verbessert Produktivität in der Forschung. Die einfache LEGO Mindstorms-Plattform bietet eine Testumgebung für biomimetische Sensoren und neuronale Netze, die wir mit den amerikanischen Hummer (Homarus americanus) demonstrieren als Modellorganismus. Das Verfahren bietet auch eine leistungsfähige Hands-on-pädagogisches Werkzeug im Klassenzimmer als Studenten entwerfen und zu manipulieren Nervensystem für ihre eigenen Roboter 11.

Protocol

1. Aufbau der Roboter-Modell

  1. Wählen Sie ein Modell Organismus zu studieren, das ist in der Literatur neuroethologischen vertreten. Wirbellose Regel machen gute Kandidaten, weil ihre relativ einfache Nervensysteme gut studiert haben und werden vor allem von den angeborenen Reflexen besteht. Wir zeigen diesen Ansatz mit der amerikanischen Hummer, Homarus americanus.
  2. Wählen Sie gut untersucht reflexive Verhaltensweisen für die Modellierung Zwecke. Wir haben die Antworten auf Hummers antennal Biegung und Klaue Beule Erkennung gewählt, da das Tier reflexartig reagiert auf Biegen von Antennen zu rheotaxis (Orientierung, um den Wasserfluss) entlocken, während Klaue Kontakte vermitteln Hindernisvermeidung. Einfache Reflexe unter Berufung auf kreuzenden neuronalen Verbindungen von bilateral symmetrisch Sensoren sind gut für diese Art von Studie 1 geeignet.
  3. Erstellen oder wählen Sie einen Roboter-Plattform mit geeigneten Sensoren für die ausgewählten Verhaltensweisen, um die neuronalen laufenNetzwerk-Simulation. Während eine dedizierte Roboter wie RoboLobster 12 oder der Sprawl (Kakerlake) Roboter-Familie 13 aufgebaut sein kann, hier benutzen wir eines kommerziell erhältlichen Kits, um die experimentellen Prozess beschleunigen. Der LEGO Mindstorms NXT 2.0 Kit und bietet Vorlagen, modulare Komponenten und Sensoren hergestellt, ermöglicht die schnelle physische Konstruktion des Roboters.
  4. Wählen Sie bauen oder Sensoren, um die Modalitäten der Verhaltensweisen in Schritt 1.2 ausgewählt entsprechen. Sensoren aus dem LEGO Mindstorms-Kit kann Premade verwendet werden oder Homebrew-Sensoren 14,15 konstruiert werden. Wir haben das mitgelieferte LEGO Berührungssensor und eine benutzerdefinierte antennal Biegesensor bestehend aus einem FlexPoint Biegesensor gespleißt einem NXT-Anschluss ausgewählt. Um eine benutzerdefinierte resistive Stecker bauen, schneiden eine NXT-Anschluss Draht und löten die schwarzen und weißen Kabel an die Leitungen des Sensors.
  5. Verwenden bisher veröffentlichten Studien neuroethologischen zu finden oder zu entwickeln, eine hypothetische neuronales Netz zur Modellierung purposes. Die Literatur hat verschiedene neuronale Netze vorgeschlagen, um das Verhalten in verschiedenen Modellorganismen zu erklären, von Hummern 16 bis 17 Neunauge. Funktionelle neuronale Einheiten sollten identifiziert und ihre synaptischen Verbindungen theoretisiert. Novel neuroethologischen Experimente können auch entwickelt und umgesetzt werden, wenn die Umstände es erlauben Labor.

2. Programmierung des Nervensystems

  1. LabVIEW-Software zusammen mit der LabVIEW-Modul für LEGO MINDSTORMS NXT auf Virtual Instruments (VIs), die für eine mathematische Gleichungen Neuron und Synapse Modell laufen zu schaffen. Während jede veröffentlichte Modell kann verwendet werden, empfehlen wir die diskrete Zeit map-based (DTM) Modell 18. Dies ermöglicht recheneffizienten Echtzeitbetrieb und gleichzeitig eine Vielzahl von neuronalen Feuerungsleistung Regime. Zwei Steuerparameter, alpha und Sigma, kann die Dynamik des simulierten Neuronen zu unterschiedlichen neuronalen Ausgang einschließlich toni erzeugenc Schmettern, chaotischen Feuern, Bersten und intrinsische Stille. LabVIEW VIs für LEGO Mindstorms für dieses Neuron-Modell finden Sie im Internet hier: http://myfiles.neu.edu/blustein.d/neurobots
  2. Platz VIs in einer While-Schleife, so dass das Netzwerk iterativ aktualisieren.
  3. Verbinden präsynaptischen Neuron Spike Ausgänge über Synapsen postsynaptischen Neuronen.
  4. Pass iterativ Aktualisieren von Parametern durch Schieberegister zur nächsten Berechnung Zyklus. Die DTM Modell Updates schnell (x) und langsame (y) dynamische Variablen, die in die nächste Iteration der Berechnungen übergeben werden.
  5. Set Synapse Parameter Netzwerk Eigenschaften definieren. Für jede Synapse sind die synaptischen Stärke (gsyn), der Relaxation (Gamma) und die Umkehrung Potential (xrp) Koeffizienten in den DTM Modellgleichungen die synaptische Verhalten bestimmen. Der Wert ist ein Multi gsynZange, die die Größe der synaptischen aktuellen Effekt von einem Spike Veranstaltung, im Bereich von 0,0 (kein Effekt) bis 1,0 (100% Wirkung) bestimmt. Die Gamma-Wert ist ein Multiplikator, der die Geschwindigkeit des Zerfalls der synaptischen Stroms bestimmt, unabhängig von der Spitze Ereignisse, im Bereich von 0,0 (vollständige Zerfall) bis 1,0 (kein Zerfall). Der Wert xrp bestimmt die Höhe der Erregung oder Hemmung der Synapse, Werte typischerweise im Bereich von -3,0 bis 3,0 mit positiven Werten, die Anregung und negative Werte darstellen Hemmung. Die Werte können für Ihre spezifische Netzwerk Eigenschaften abgestimmt werden. Hier verwenden wir die folgenden Einstellungen: Gamma = 0,95, gsyn = 0,60 und xrp = 2,2 (erregende Synapse) oder -1.8 (hemmende Synapse).
  6. Stellen alpha und sigma Regelparameter zur Grundlinie Neuronen-Aktivität ändern. Die Dynamik des Modells für vielfältige Steuerungsaufgaben Parameter werden an anderer Stelle ausführlich beschrieben, aber in der Regel 18, alpha Sigma-Werte oder Tonic Spick für hohe Sigma-Werte. Der Übergang zwischen "niedrig" und "hoch" Sigma-Werte erfolgt in der Regel zwischen -1.0 und 1.0 in Abhängigkeit von der Alpha-Wert. Sprengung des Neuronen-Aktivität ist für alpha produziert> 4 bei Sigma-Werte nahe Null sind. Hier verwenden wir alpha = 4.05 und sigma = -3.10.
  7. LabVIEW VIs zur Eingabe Sensor-Informationen in Ihrem Netzwerk. Für Sensoren versehen, sind die VIs bereits innerhalb der Mindstorms LabVIEW-Modul zur Verfügung. Für benutzerdefinierte resistive Sensoren, verwenden Sie den Lichtsensor VI als Programmierumgebung. Informationen über das Erstellen von Homebrew-Sensoren können an anderer Stelle 14 gefunden werden.
  8. Legen grafische Diagramme auf der Frontplatte des LabVIEW-Programm, um neuronale Aktivität zu visualisieren.
  9. Vorübergehend ersetzen Sensoreingänge mit Frontplatte Schaltkästen, um manuell zu manipulieren den SensorInformationen gehen an das neuronale Netzwerk.
  10. Führen Sie das neuronale Netzwerk und der manuellen Einstellung der Bedienelemente auf der Vorderseite zu vielfältigen sensorischen Input zu präsentieren. Bestätigen Sie, dass das Netzwerk qualitativ fungiert als bei bekannten Bedingungen vorhergesagt.
  11. Passen Sie das Netzwerk als durch Änderung der Neuronen und Synapsen Parameter benötigt. Erste Versuche zur Optimierung sollte das Netzwerk, indem synaptischen Stärke (gsyn) der verschiedenen Synapsen erfolgen. Andere Parameter können müssen ebenfalls angepasst werden.
  12. Sobald die Netzwerk-Funktionen mit qualitative Genauigkeit, ersetzen Sie die Frontplatte Schaltkästen mit dem Sensor-VIs.

3. Nervous System Simulation Testing

  1. Einrichten einer kontrollierten Umgebung, in der die Tier-und den Roboter unter ähnlichen Bedingungen zu beobachten. Wir verwenden einen rechteckigen Behälter mit Felsen Hindernisse (Abbildung 1). Der Tank entleert, um die LEGO Roboter im gleichen Raum unterzubringen.
  2. Berg avideo Kamera Overhead zur Erfassung der Tier / Roboter Verhalten. Stellen Sie sicher, der Kontrast zwischen dem Motiv und Hintergrund ist hoch, für die automatische Tracking ermöglichen. Wir malten den Boden des Testtank weiß.
  3. Legen Sie das Tier in der kontrollierten Umgebung und Video-Aufzeichnung das Verhalten. Achten Sie darauf, die sensorischen Fähigkeiten der Hummer mit denen der Roboter passen zu begrenzen. Hier beschränken wir die Hummers sensorischen Fähigkeiten durch das Abdecken der Augen mit einer Aluminiumfolie Maske und deafferenting Chemorezeptoren mit Süßwasser-19.
  4. Passen Sie die Umgebung, um ein LEGO-Roboter (Entfernen von Wasser, falls erforderlich) zu entsprechen, und führen Sie den Roboter in der gleichen kontrollierten Umgebung.
  5. Verwenden Sie ein MATLAB-Skript automatisch zu verfolgen, die Markierungen auf den Proben. Wir verwenden MouseLabTracker 20.
  6. Erstellen und Vergleichen Vektor Plots der Tier-und Roboter-Bewegungen.
  7. Ändern Sie das Nervensystem und wiederholen Sie die Schritte 3.3-3.6, wie verschiedene Aspekte der elektronischen beobachtenNervensystem betrifft das Verhalten des Roboters. Hier passen wir die synaptischen Stärke zwischen den Klauen Beule Sensor Neuronen und des motorischen Systems und Monitor Roboter Leistung im Vergleich zu der eines Hummer. Alternativ können die sensorischen Bedingungen im Testarena modifiziert werden und die Effekte in Roboter und Tier beobachtet. Zum Beispiel könnte die Arena hier beschriebenen verschiedenen Wassermengen unterzogen werden.

Representative Results

Eingaben von einem Hummer Krallen in sein Nervensystem vermitteln Hindernis Verhandlung in einer neuen Umgebung. Abbildung 1 zeigt einen Screenshot des Videos verwendet werden, um das Verhalten eines LEGO-Roboter (Abbildung 1A) und einem Hummer (Abbildung 1B) im Test Arena analysieren. Der Test wurde Arena zwischen Tier und Roboter Tests, außer dass das Wasser aus dem Tank für den Roboter Studien entleert unverändert.

Video-Tracking-Ergebnisse sind in Abbildung 2 dargestellt. Tier-und Roboter Fahrwege wurden automatisch verfolgt mit MouseLabTracker 20 in MATLAB. Repräsentative Pfade für Hummer (schwarze Linien) und LEGO Roboter Studien (farbige Linien) dargestellt. In den Roboter Studien stoßen synaptischen Stärke von der Klaue sensorischen Neuronen in das Nervensystem wurde variiert und durch verschiedene farbige Bahnen (rot, niedrige Erregung, blau, mittel Anregung, grün, hohe Erregung). Die hypothetische nervös system mit mittleren Ebene exzitatorische Verbindungen von den Klauen Bump sensorischen Neuronen ähnlichen Verhalten des Tieres. Quantitative Parameter aus den Daten wie Weglänge und mittleren Laufgeschwindigkeit (Tabelle I) extrahiert werden.

Abbildung 1
Abbildung 1. Overhead Videorahmen des Testarena für LEGO Roboter (A) und Hummer (B) Studien. Bedingungen gehalten wurden, identisch mit der Ausnahme, dass Wasser in dem Tank für den Tierversuchen aufgenommen. Der hohe Kontrast Videobild erleichtert automatische Nachführung mit MATLAB-Software.

Abbildung 2
Abbildung 2. Verfolgung von Hummer (schwarze Linien) und LEGO Roboter (farbige Linien) Wege durch den Test einerrena in Abbildung 1 dargestellt auf dem Roboter, der synaptischen Stärke von Kralle Beule Sensor Neuronen abwechslungsreich war (rot, niedrige Anregung, blau, mittel Anregung, grün, hohe Erregung).. Das Symbol * bezeichnet die Ausgangsposition und gefüllt schwarzen Formen zeigen die Lage von Hindernissen. Seit Kopfposition aufgespürt wurde, variiert deutlich Hindernis Kontaktierung durch Variabilität in Position Klaue.

Durchschnittliche Wegstrecke (cm) Durchschnittliche Fahrgeschwindigkeit (cm)
Lobster 177,37 1,03
LEGO Robot (hohe Erregung) 162,72 0,94
LEGO Robot (Mitte Erregung) 165.32 0,85
LEGO Robot (niedrige Erregung) 51.02 0,69

Tabelle I. Gemittelte Parameter aus der Analyse von Video-Verhalten für Hummer und für LEGO Roboter mit unterschiedlichen Stärken Eingang Synapsen aus der Klaue Beule sensorische System.

Discussion

Bei der Einleitung biorobotic Nervensystem Simulation Experimente, es gibt ein paar wichtige Leitlinien zu folgen. Die Wahl des richtigen Modells Organismus ist entscheidend: wählen Sie ein Organismus, der leicht zu erhalten und zu pflegen ist. Wirbellose sind ideal, weil sie in der Regel nicht erforderlich institutionellen Genehmigung für Experimente und ihre Tierhaltung Bedürfnisse sind oft weniger anspruchsvoll als die der Wirbeltiere. Aus wissenschaftlicher Sicht ist es sinnvoll, ein Tier, das eine etablierte neuroethologischen Literatur Rekord von denen Hypothesen zum Testen 21 ziehen hat zu wählen.

Genauso wichtig wie die Wahl eines geeigneten Organismus ist die Auswahl der geeigneten Verhaltens Reflexe für das Studium. Die LEGO NXT-Plattform kann aber nur vier Sensoren ohne kundenspezifische Modifikationen so dass die Auswahl eine relativ einfache sensorische System mit begrenzten Sensoren ist wichtig. Einfache Verhaltensänderungen Reflexe sind oft gut beschrieben und bieten mehr Flexibilität bei der hypotheses die getestet werden können. Die Rechenleistung des NXT ist ein limitierender Faktor zu so Anstrengungen unternommen werden sollten, um den Umfang des Nervensystems Simulation zu reduzieren. Wissenschaftler oft neuronalen Netzen erklären bestimmte Verhaltensweisen vorgeschlagen veröffentlichen und es ist am einfachsten, eine davon auszuwählen. Einfache Steuern und kineses sind gut zu diesem Ansatz biorobotic 22 geeignet.

Dieser Ansatz ist zwar nützlich für die schnelle Prüfung von Hypothesen Nervensystem gibt es einige Einschränkungen zu beachten. Der Umfang der Prüfung möglich ist begrenzt. Komplizierte sensorischen Systeme können mit dieser Plattform verwendet werden. Zum Beispiel ist komplexer visueller Verarbeitung über die Fähigkeit des NXT-Prozessor, aber miteinander verbundene Fragen konnten durch die Untersuchung einfacher Komponenten des visuellen Systems, wie z. B. optische Flow-Verarbeitung angesprochen werden. Der Sensor-Suite für den NXT bietet einige inhärente Beschränkungen hinsichtlich des Umfangs der Ermittlungen zur Verfügung. Während kundenspezifische Sensoren entwickelt und eingesetzt werden on die NXT, ist dies ein zeitraubender Prozess, der Elektronik Know-how erfordert, möglicherweise negiert die Vorteile der Plattform für die schnelle experimentelle Umsetzung.

Zwar gibt es Einschränkungen bei der Auswahl von Hypothesen, die getestet werden können, sind bietet dieser Ansatz ein einzigartiges Werkzeug, um frühzeitig Umsetzung verkörpert Nervensystem Simulationen. Der LEGO Mindstorms NXT-Plattform kann als Sprungbrett für eine gründlichere Prüfung der Systeme Ebene Hypothesen durch solche Roboter als RoboLamprey 9 und Barbara Webb Roboter Cricket 23 gezeigt dienen. Einfache Komponenten des umfangreichen biomimetische Kontrolle Architekturen in eine schnelle und einfache Art und Weise getestet werden. Das Verfahren kann auch vorab bio-hybriden Simulationen, virtuelle Agenten verkörpert Fahrzeugsteuerung 24 gehören zu steuern, und es kann als biomimetische Kontrolle Rahmen eine Schnittstelle zwischen Gehirn und Maschine 25 dienen.

Mit dem LEGOMindstorms Plattform ermöglicht die Übertragung dieser biorobotic Ansatz einem breiteren Publikum in Schulen und Labors außerhalb der Robotik. Die Werkzeuge wurden von High-School-und College-Studenten 11 verwendet worden und bieten eine spannende inquiry-based Verfahren in den Neurowissenschaften, Robotik und den Wert der interdisziplinären Wissenschaft zu lehren. Laboratories ohne Ausrüstung oder Hintergrund benötigt, um Roboter zu bauen können diese gut unterstützte Mainstream Robotik-Kit, um Roboter als Werkzeug für ihre Arbeit zu nutzen. Die biorobotic Ansatz könnte die Forschung in einer Reihe von Bereichen Anwendung, aus der Neurowissenschaft und Ethologie auf Biomechanik und Sozialverhalten.

Disclosures

Die Autoren erklären, dass sie keine finanziellen Interessen haben.

Acknowledgments

Wir danken Dr. Chris Rogers (Tufts University) für die Programmierung und Manuskript Anregungen. Wir danken Alex Giuliano und Deborah Lee für Video-Produktion zu unterstützen.

Finanzierung durch ein NSF Graduate Research Fellowship und einer ONR MURI in der Synthetischen Biologie zur Verfügung gestellt.

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).
Entwerfen und Implementieren von Nervous System Simulationen auf LEGO Roboter
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