Login processing...

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

Neuroscience

LEGO 로봇에 신경 시스템 시뮬레이션을 설계 및 구현

doi: 10.3791/50519 Published: May 25, 2013

Summary

레고 마인드 스톰 로봇 플랫폼의 신경망 모델링 방법이 제시되어 있습니다. 방법은 무척 신경 과학 연구 실험실 모두에서 연구와 교실 시뮬레이션 도구를 제공합니다. 이 기술은 생체 모방 로봇 제어 원리의 조사를 할 수 있습니다.

Abstract

우리는 시스템 수준의 신경 가설을 테스트하기 위해 상업적으로 이용 가능한 LEGO 마인드 스톰 NXT 로봇 플랫폼을 사용하는 방법을 제시한다. 메서드의 첫 번째 단계는 적절한 모델 생물의 특정 반사적 행동의 신경 시스템 시뮬레이션을 개발하는 것입니다, 여기에 우리가 미국의 랍스터를 사용합니다. (교차점) 신경망 연결을 decussating에 의해 중재 Exteroceptive 반사 신경 Braitenberg에 의해 설명 및 NXT 플랫폼을 사용하여 조사를 위해 특히 적합으로 방향 또는 멀리 자극에서 동물의 택시를 설명 할 수 있습니다. 1 신경계 시뮬레이션 LEGO에서 LabVIEW 소프트웨어를 사용하여 프로그래밍됩니다 마인드 스톰 플랫폼입니다. 신경계가 제대로 조정되면, 행동 실험은 로봇과 동일한 환경 조건에서 동물에 실행됩니다. 표본 경험 한 감각 환경을 제어하여, 행동 출력의 차이를 관찰 할 수 있습니다. 이러한 차이는 특정 deficienc을 가리킬 수 있습니다그리고 신경계 모델 이거는 연구중인 특정 행동에 대한 모델의 반복을 알리는 역할을한다. 이 방법은 전자 신경계의 실험 조작 할 수 있으며 특히 간단한 타고난 반사 행동의 신경 생리 학적 기초에 대한 신경 과학의 가설을 탐구하는 방법으로 역할을합니다. 레고 마인드 스톰 NXT 키트는 예비 생체 모방 로봇 제어 방식을 테스트하기에 저렴하고 효율적인 플랫폼을 제공합니다. 접근 방식은 또한뿐만위한 토대 역할을 손에 탐구 기반 바이오 로보 공학 교육 과정 고등학교 교실에 적합합니다.

Introduction

지난 100 년 동안 신경 생리 학적 연구는 대단히 신경계의 구조와 기능에 대한 지식 확대했다. 그러나 현재까지 신경계 연구의 대부분은 고립 된 준비하거나 억제 주제의 사용에 의존하고있다. 자유롭게 동물 2-5 행동의 신경 활동을 기록하는 많은 성공적인 노력이되었지만, biorobotic 접근 방식은 시스템 레벨의 신경 가설는 6 테스트하기 위해 신경 시스템을 조작 할 수있는 유용한 도구를 제공합니다. 로봇에 운영 시뮬레이션 신경 시스템을 실험적으로 조작하고 물리적 세계에 대한 소프트웨어 모델링의 연장을 허용 할 수 있습니다. 이 방법은 물론 학계 7,8에서 구현되었지만 가설 테스트를위한 생체 모방 로봇을 구축하는 과정은 비용과 시간이 소요될 수 있습니다. 우리는 상업적으로 이용 가능한 로봇 K를 사용하여 biorobotic 방법을 실행하는 방법을 제시그 (LEGO 마인드 스톰 NXT 2.0). 이 방법의 목적은 로봇 9 또는 바이오 하이브리드 10 구현 신경망 시뮬레이션에서 시스템 수준의 신경 가설을 테스트하기 위해 신속하고 효율적인 방법을 제공하는 것입니다. 가설의 실험 과정을 가속화하여 연구 생산성을 향상시킵니다. 간단한 레고 마인드 스톰 플랫폼은 우리가 모델 생물로 미국 가재 (Homarus americanus)를 사용을 보여주는 생체 모방 센서와 신경 네트워크를위한 테스트 베드를 제공합니다. 방법은 또한 학생들이 자신의 로봇을 11 설계 및 신경 시스템을 조작 할 수있는 교실에서 교육 도구 손에 강력한를 제공합니다.

Protocol

1. 로봇 모델을 구축

  1. 잘 neuroethological 문학에서 표현되는 연구하는 모델 생물을 선택합니다. 비교적 간단한 신경 시스템이 잘 연구되어 주로 타고난 반사 신경으로 구성되어 있기 때문에 무척추 동물은 일반적으로 좋은 후보를합니다. 우리는 미국의 랍스터, Homarus americanus를 사용하여이 방법을 보여줍니다.
  2. 모델링을 위해 잘 공부 재귀 동작을 선택합니다. 동물이 반사적으로 발톱 연락처 장애물 회피를 중재하면서 rheotaxis을 (물 흐름 방향) 유도하는 안테나의 굽힘에 응답으로 우리는 촉각 굴곡과 발톱 범프 탐지 가재 님의 답변을 선택하셨습니다. 양측 대칭 센서에서 신경 연결을 decussating에 의존하는 단순한 반사가 잘 연구 1의이 유형에 적합합니다.
  3. 신경을 실행하기 위해 선택한 행동에 대한 적절한 센서와 로봇 플랫폼을 구축하거나 선택네트워크 시뮬레이션. 전용 로봇이 같은 RoboLobster 12 쪽을 (바퀴벌레) 로봇 가족 13로 구성 될 수 있지만, 우리가 실험 과정을 신속하게 상업적으로 이용 가능한 키트를 사용합니다. 템플릿, 모듈 형 구성 요소 및 설립 센서를 제공 LEGO 마인드 스톰 NXT 2.0 키트, 로봇의 급속한 물리적 구성 할 수 있습니다.
  4. 선택하거나 선택 단계 1.2에서 선택한 행동의 양식에 맞게 센서를 구축 할 수 있습니다. 미리 만들어진 레고 마인드 스톰 키트의 센서를 사용하거나 사제 센서는 14,15을 설계 할 수 있습니다. 우리는 포함 된 LEGO 터치 센서 NXT 커넥터 접합 FlexPoint 벤드 센서로 구성된 사용자 정의 촉각 굽힘 센서를 선택했습니다. 사용자 정의 저항 커넥터를 빌드하려면, NXT 커넥터 와이어 및 솔더 센서의 리드에 검은 색과 흰색 케이블을 잘라.
  5. 모델링 P에 대한 가상의 신경 네트워크를 찾거나 개발하기 이전에 출판 된 neuroethological 연구를 사용urposes. 문학 칠성 장어 17 가재 16 일부터 다양한 모델 생물의 행동을 설명하기 위해 다양한 신경망을 제안하고있다. 기능적 신경 단위가 식별과 시냅스 연결을 이론화해야합니다. 실험실 상황이 허용하는 경우 새로운 neuroethological 실험도 개발하고 구현할 수 있습니다.

2. 신경 시스템 프로그래밍

  1. 수학 뉴런과 시냅스 모델에 대한 수식을 실행하는 가상 악기 (VI를) 만들 수 LEGO MINDSTORMS NXT는 LabVIEW 모듈과 함께 LabVIEW 소프트웨어를 사용합니다. 게시 된 모델을 사용할 수 있지만, 우리는 (DTM)지도 기반 모델 18 이산 시간을 권장합니다. 신경 소성 출력 정권의 다양성을 유지하면서이 계산 효율적인 실시간으로 작업 할 수 있습니다. 두 개의 제어 변수, 알파와 시그마, 토니 등 다양한 신경 출력을 생성 시뮬레이션 신경 세포의 역학을 결정C 스파이크, 혼란 발사, 파열 및 고유 침묵. 이 신경 세포 모델 LEGO 마인드 스톰에 대한 단계별 설명, LabVIEW VI는 여기에서 온라인으로 볼 수 있습니다 : http://myfiles.neu.edu/blustein.d/neurobots
  2. 장소 네트워크를 반복적으로 업데이트 할 수 있도록 While 루프에 VI를.
  3. 시냅스 후 뉴런의 시냅스를 통해 시냅스 신경 세포의 스파이크 출력을 연결합니다.
  4. 반복적 변화를 통해 매개 변수를 갱신 통과하면 다음 계산주기에 등록합니다. DTM 모델 업데이트 빠른 (x)와 계산의 다음 반복에 전달되는 속도가 느린 (Y) 동적 변수.
  5. 네트워크 특성을 정의하는 시냅스 매개 변수를 설정합니다. 각 시냅스를 들어, 시냅스 강도 (gsyn), 이완 속도 (감마), 그리고 반전 가능성 (XRP)는 시냅스 동작을 결정 DTM 모델 방정식의 계수이다. gsyn의 값은 다 있습니다0.0 (효과 없음)에서 1.0 (100 % 효과)에 이르기까지 스파이크 이벤트의 시냅스 전류 효과의 크기를 결정합니다 플라이어. 감마 값은 0.0 (완전 분해)에서 1.0 (아무 붕괴)에 이르기까지,에 관계없이 스파이크 이벤트의 시냅스 전류의 붕괴의 속도를 결정하는 승수입니다. XRP의 값은, 여기 또는 시냅스 억제의 수준을 결정 -3.0에서 흥분과 억제를 나타내는 음수 값을 나타내는 양의 값을 3.0으로 일반적으로 범위 값입니다. 값은 특정 네트워크 특성을 조정할 수 있습니다. 여기에서 우리는 다음과 같은 설정을 사용 감마 = 0.95, gsyn = 0.60 XRP = 2.2 (흥분성 시냅스) 또는 -1.8 (억제 시냅스).
  6. 기본 신경 세포의 활동을 수정하는 알파 시그마 제어 매개 변수를 조정합니다. 다양한 제어 매개 변수에 대한 모델의 역학 알파는 일반적으로 다른 18 자세히 설명되지만 시그마 값이나 높은 시그마 값 급상승 토닉에 대한 본질적으로 침묵 신경 활동을 생산하고 있습니다. '저'와 '높은'시그마 값 사이의 전환은 일반적으로 알파 값에 따라 -1.0에서 1.0 사이에 발생합니다. 신경 세포의 활동을 파열하는 것은 알파에 대한 생산> 4 시그마 값이 0에 가까울 때. 여기에서 우리는 알파 = 4.05 시그마 = -3.10을 사용합니다.
  7. 네트워크에 입력 센서 정보에 대한 단계별 설명, LabVIEW VI를 사용합니다. 제공된 센서의 경우, VI는이 마인드 스톰의 LabVIEW 모듈 내에서 이미 사용할 수 있습니다. 사용자 정의 저항 센서, 프로그래밍 프레임 워크로 가벼운 감지기 VI를 사용합니다. 사제 센서를 만드는 방법에 대한 정보는 다른 14 찾을 수 있습니다.
  8. 신경 활동을 시각화하는 LabVIEW 프로그램의 전면 패널에 그래픽 차트를 삽입합니다.
  9. 일시적으로 수동 센서를 조작하기 위해 전면 패널 컨트롤 박스와 센서 입력을 대체신경 네트워크로가는 정보를 제공합니다.
  10. 신경 네트워크를 수동으로 실행하여 다양한 감각 입력을 제시 전면 패널 컨트롤을 조정합니다. 네트워크가 질적으로 알려진 조건에 대한 예측 작동하는지 확인합니다.
  11. 신경 세포와 시냅스 매개 변수를 변경하여 필요에 따라 네트워크를 조정합니다. 튜닝의 첫 번째 시도는 네트워크는 다양한 시냅스의 시냅스 강도 (gsyn)을 변경하여 수행해야합니다. 다른 매개 변수도 조정해야 할 수도 있습니다.
  12. 질적 정확도를 가진 네트워크 기능을하면, VI는 센서 입력과 전면 패널 컨트롤 박스를 교체하십시오.

3. 신경계 시뮬레이션 테스트

  1. 유사한 조건 하에서 동물과 로봇을 관찰 할 수있는 통제 된 환경을 설정합니다. 우리는 바위 장애물 (그림 1)를 포함하는 직사각형 탱크를 사용합니다. 탱크는 같은 공간에있는 레고​​ 로봇을 수용하기 위해 비울 수 있습니다.
  2. 마운트 AVIDEO 카메라 오버 헤드가 동물 / 로봇 동작을 기록합니다. 피사체와 배경 사이의 대비가 자동 추적을 허용하도록 고 있는지 확인하십시오. 우리는 시험 탱크 흰색 바닥을 그렸다.
  3. 통제 된 환경 및 영상 기록 동작의 동물을 놓습니다. 로봇과 일치하는 가재의 감각 기능을 제한해야합니다. 여기에서 우리는 알루미늄 호일 마스크 눈을 덮고 담수 19와 화학 수용체를 deafferenting하여 가재의 감각 기능을 제한합니다.
  4. LEGO 로봇 (필요한 경우 물을 제거) 한 벌과 같은 통제 된 환경에서 로봇을 실행하는 환경을 조정합니다.
  5. 자동 시료에 마커를 추적하기 위해 MATLAB 스크립트를 사용합니다. 우리는 MouseLabTracker 20을 사용합니다.
  6. 동물과 로봇의 움직임 벡터 플롯을 생성 뛰기.
  7. 신경계와 전자의 방법을 다양한 측면을 관찰하는 단계를 반복 3.3-3.6를 수정신경계는 로봇의 동작에 영향을 미칩니다. 여기에서 우리는 새우에 비해 발톱 범프 센서 뉴런과 모터 시스템 모니터 로봇의 성능 사이의 시냅스 강도를 조정합니다. 또한, 테스트 분야에서 감각 상태를 수정하고 효과는 로봇과 동물에서 관찰 할 수 있습니다. 예를 들어, 여기에 설명 된 분야는 다른 물 유량에 노출 될 수 있습니다.

Representative Results

의 신경 시스템에 가재의 발톱에서 입력은 새로운 환경에서 장애물 협상을 중재. 그림 1은 LEGO 로봇 (그림 1A) 및 테스트 분야에서 랍스터 (그림 1B)의 동작을 분석하는 데 사용되는 비디오의 스크린 샷을 보여줍니다. 시험 분야는 물이 로봇 시험을위한 탱크에서 비운 것을 제외하고는 동물과 로봇 테스트 사이에 수정되지 않은되었다.

영상 추적 결과는 그림 2에 표시됩니다. 동물과 로봇의 여행 경로는 자동으로 MATLAB에서 MouseLabTracker 20을 사용하여 추적 하였다. 가재 (검은 선)와 LEGO 로봇 시험 (컬러 라인)에 대한 대표적인 경로가 표시됩니다. 로봇 실험에서, 발톱에서 시냅스 강도는 신경계에 감각 신경이 다양하고 서로 다른 색깔의 경로 (, 파랑, 중간 자극, 녹색, 높은 자극 빨강, 저 자극)에 의해 표현 된 범프. 가상 신경의발톱 범프 감각 뉴런에서 중간 수준의 흥분성 연결을 ystem은 동물과 유사한 행동을 생산. 양이 매개 변수는 같은 경로 길이와 평균 보행 속도 (표 I)로 데이터를 추출 할 수 있습니다.

그림 1
그림 1. 테스트 LEGO 로봇 (A)를위한 무대와 랍스터 (B) 시험. 조건에 물을 제외하고 동일한 보관 된 오버 헤드 비디오 프레임은 동물 실험의 탱크에 추가되었습니다. 고 대비 영상은 MATLAB 소프트웨어를 사용하여 자동 추적을 용이하게합니다.

그림 2
그림 2. 테스트를 통해 랍스터 (검은 선)와 LEGO 로봇 (컬러 라인) 경로 추적레나는 그림 1에서와 같이 로봇, 발톱 범프 센서 뉴런에서 시냅스 강도 (빨강, 저 자극, 파랑, 중간 자극, 녹색, 높은 구동) 다양한이었다.. * 기호는 시작 위치를 표시하는 것이며 가득 검은 모양은 장애물의 위치를​​ 보여줍니다. 머리 위치가 추적되고 있었기 때문에, 명백한 장애물 접촉 발톱 위치의 변화에​​ 따라 달라집니다.

평균 경로 거리 (cm) 평균 여행 속도 (cm)
새우 177.37 1.03
LEGO 로봇 (고 여기) 162.72 0.94
LEGO 로봇 (MID 여기) 165.32 0.85
LEGO 로봇 (저 자극) 51.02 0.69

표 I.는 바다 가재에 대한과 발톱 범프 감각 시스템의 입력 시냅스의 다양한 강점 LEGO 로봇 비디오 동작 데이터의 분석 매개 변수를 평균.

Discussion

biorobotic 신경계 시뮬레이션 실험을 시작할 때 따라야 할 몇 가지 중요한 지침이 있습니다. 오른쪽 모델 생물을 선택하는 것은 매우 중요합니다 : 획득하고 유지하기 쉬운 유기체를 선택합니다. 그들은 일반적으로 실험에 대한 기관의 승인을 필요로하지 않는 그들의 축산 요구는 종종 척추 동물에 비해 덜 요구하기 때문에 무척추 이상적입니다. 과학적인 관점에서, 21를 테스트 가설을 그릴에서 설립 neuroethological 문헌 기록을 가지고 동물을 선택하는 것이 도움이됩니다.

적합한 유기체를 선택만큼이나 중요 연구를위한 적절한 행동 반사의 선택입니다. LEGO NXT 플랫폼은 사용자 정의 수정이 너무 제한적인 센서 비교적 단순한 감각 시스템을 선택하지 않고 네 개의 센서를 처리 할 수​​있는 것이 중요합니다. 간단한 행동 반사는 종종 잘 설명한 위해서는, hypot에 더 많은 유연성을 제공한다테스트 할 수 heses. NXT의 컴퓨팅 파워는 노력은 신경 시스템 시뮬레이션의 범위를 줄이기 위해 이루어져야 너무 너무 제한하는 요인이다. 과학자들은 특정 동작을 설명 신경망을 제안 게시는 이들 중 하나를 선택하는 가장 쉬운 방법입니다. 간단한 세금 및 kineses 잘이 biorobotic 방법 (22)에 적합합니다.

이 방법은 신경계 가설의 빠른 테스트에 유용하지만, 염두에 두어야 할 몇 가지 제한 사항이 있습니다. 가능한 테스트의 범위가 제한됩니다. 복잡한 감각 시스템은이 플랫폼을 사용할 수 없습니다. 예를 들어, 복잡한 영상 처리는 광학 플로우 처리와 같은 시각 시스템의 간단한 구성 요소를 조사하여 해결 될 수있는 NXT 프로세서 만 관련 질문의 기능을 넘어. NXT의 센서 제품군은 가능한 조사의 범위에 관해서는 몇 가지 본질적인 한계를 제공합니다. 사용자 정의 센서 개발 및 O를 사용할 수 있지만N NXT이 아마도 빠른 실험 구현을위한 플랫폼의 장점을 부정, 전자 전문 지식을 필요로하는 시간이 걸리는 과정이다.

테스트 할 수있는 가설의 범위에 제한이 있지만,이 방법은 구현 신경계 시뮬레이션의 초기 단계 구현에 고유 한 도구를 제공합니다. 레고 마인드 스톰 NXT 플랫폼은 RoboLamprey 9 바바라 웹의의 로봇 크리켓 23 등 로봇에 의해 입증 시스템 수준의 가설에 대한보다 철저한 테스트에 디딤돌 역할을 할 수 있습니다. 광범위한 생체 모방 제어 아키텍처의 간단한 구성 요소는 신속하고 간단하게 테스트 할 수 있습니다. 이 방법은 구현 차량 제어 24를 포함하는 가상 에이전트를 제어하는 바이오 하이브리드 시뮬레이션을 진행 할 수 있고, 뇌와 기계 25 사이의 인터페이스에 대한 생체 모방 제어 프레임 워크 역할을 할 수 있습니다.

LEGO를 사용하여마인드 스톰 플랫폼은 로봇의 외부 학교 및 연구소에서 폭 넓은 관객이 biorobotic 방식의 전송을 할 수 있습니다. 이 도구는 고등학교와 대학생 (11)에 의해 사용되는 신경 과학, 로봇, 학제 간 과학의 가치를 가르치는 흥미 진진한 탐구 기반 방법을 제공하고 있습니다. 로봇을 구축하는 데 필요한 장비 나 배경 지식이없는 실험실은 작업의 도구로 로봇을 사용하려면이 잘 지원 주류 로봇 키트를 사용할 수 있습니다. biorobotic 방법은 신경 과학 및 행동학의 역학 및 사회적 행동에, 필드의 범위에서 연구에 적용 할 수 있습니다.

Disclosures

저자는 그들이 더 경쟁 재정적 이익이 없다는 것을 선언합니다.

Acknowledgments

우리는 프로그래밍 및 원고 제안 박사 크리스 로저스 (Tufts 대학)을 주셔서 감사합니다. 우리는 비디오 제작 지원을 위해 알렉스 아노과 데보라 리 감사합니다.

자금은 NSF 대학원 연구 친목 및 합성 생물학 ONR 무리에 의해 제공.

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).
LEGO 로봇에 신경 시스템 시뮬레이션을 설계 및 구현
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