Login processing...

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

Neuroscience

Designe og implementere Nevrologiske Simuleringer på LEGO Robots

doi: 10.3791/50519 Published: May 25, 2013

Summary

En tilnærming til nevrale nettverk modellering på LEGO Mindstorms robotikkplattformen er presentert. Metoden gir et simuleringsverktøy for virvelløse nevrovitenskapelig forskning i både forskningslaboratorium og klasserommet. Denne teknikken gjør at etterforskningen av biomimetic robot kontroll prinsipper.

Abstract

Vi presenterer en metode for å bruke den kommersielt tilgjengelige LEGO Mindstorms NXT robotikk plattform for å teste systemer nivå nevrovitenskap hypoteser. Det første trinn i metoden er å utvikle et nervesystem simulering av bestemte refleksive oppførsel av en passende modell organisme, her bruker vi den amerikanske hummer. Exteroceptive reflekser formidlet av decussating (krysset) nerveforbindelser kan forklare et dyrs drosjer mot eller bort fra en stimulus som beskrevet av Braitenberg og er spesielt godt egnet for etterforskning ved hjelp av NXT-plattformen. En Nervesystemet simulering programmeres via LabVIEW programvare på LEGO Mindstorms plattform. Når nervesystemet er innstilt på riktig måte, blir atferdsmessige eksperimenter kjørt på roboten, og på dyret under identiske forhold i omgivelsene. Ved å kontrollere den sensoriske miljøet oppleves av prøvene, kan forskjeller i atferdsmessige utganger følges. Disse forskjellene kan peke på spesifikke deficienckaper i nervesystemet modell og tjene til å informere gjentakelse av modellen for den spesielle oppførselen under studien. Denne metoden gjør det mulig for den eksperimentelle manipulasjon av elektroniske nervesystem og fungerer som en måte å utforske nevrovitenskap hypoteser spesifikt om nevrofysiologiske grunnlaget for enkle medfødte refleksive atferd. LEGO Mindstorms NXT kit gir en rimelig og effektiv plattform for å teste foreløpige biomimetic robot kontroll ordninger. Tilnærmingen er også godt egnet for den videregående skolen klasserommet for å tjene som grunnlag for en hands-on forespørsel-basert biorobotics pensum.

Introduction

Nevrofysiologiske undersøkelser i løpet av de siste 100 årene har utvidet enormt vår kunnskap om nervesystemet struktur og funksjon. Imidlertid har de fleste av nervesystemet forskning hittil støttet seg på bruk av isolerte preparater eller behersket fag. Mens det har vært mange vellykkede innsats for å ta opp nevral aktivitet fra fritt oppfører dyr 2-5, gir biorobotic tilnærming et verdifullt verktøy for å tillate nervesystemet manipulasjon for å teste systemer nivå nevrovitenskap hypoteser seks. Simulerte nervesystem som opererer på roboter kan eksperimentelt manipulert og gi rom for utvidelse av programvare modellering til den fysiske verden. Denne tilnærmingen har blitt godt implementert i den akademiske verden 7,8, men prosessen med å bygge en biomimetic robot for hypotesetesting kan være dyrt og tidkrevende. Vi presenterer en metode for å utføre biorobotic tilnærming ved hjelp av en kommersielt tilgjengelig robotikk kdet (LEGO Mindstorms NXT 2.0). Målet med denne metoden er å gi en rask og effektiv måte å teste systemene nivå nevrovitenskap hypoteser på robot 9 eller bio-hybrid 10 nedfelt nevrale nettverk simuleringer. Akselererer prosessen fra hypotesen å eksperimentere forbedrer forskning produktivitet. Den enkle LEGO Mindstorms plattformen gir en test seng for biomimetic sensorer og nevrale nettverk som vi demonstrere ved hjelp av amerikansk hummer (Homarus americanus) som modell organisme. Metoden gir også et kraftig hands-on pedagogisk verktøy i klasserommet så elevene kan designe og manipulere nervesystem for sine egne roboter 11.

Protocol

En. Bygging av Robot Model

  1. Velg en modell organisme for å studere som er godt representert i neuroethological litteratur. Virvelløse dyr generelt gjør gode kandidater fordi deres relativt enkle nervesystem har blitt godt undersøkt og består primært av medfødte reflekser. Vi vil demonstrere denne tilnærmingen ved hjelp av den amerikanske hummer, Homarus americanus.
  2. Velg godt studert refleksive atferd for modellering formål. Vi har valgt hummer reaksjoner på antennal bøy og å klore bump oppdagelse som dyret reflexively reagerer på bøying av antenner for å lokke fram rheotaxis (orientering til vannstrømmen) mens klo kontakter megle hinder unngåelse. Enkle reflekser stole på decussating nerveforbindelser fra bilateralt symmetriske sensorer er godt egnet for denne typen studier en.
  3. Bygge eller velge en robot-plattformen med passende sensorer for de valgte atferd for å kjøre den nevralenettverk simulering. Mens en dedikert robot kan konstrueres slik som RoboLobster 12 eller Sprawl (kakerlakk) robot familie 13, her bruker vi en kommersielt tilgjengelig kit for å fremskynde den eksperimentelle prosessen. LEGO Mindstorms NXT 2.0 kit, gi maler, modulære komponenter og etablerte sensorer, gir mulighet for raske fysiske byggingen av roboten.
  4. Velg eller bygge sensorer for å matche de nærmere reglene for atferd valgte i trinn 1.2. Forhåndslagde sensorer fra LEGO Mindstorms settet kan brukes eller homebrew sensorer kan være konstruert 14,15. Vi har valgt den medfølgende LEGO trykksensor og en tilpasset antennal sving sensoren består av et Flexpoint bend sensor skjøtes til en NXT-kontakt. Å bygge en tilpasset resistive kontakt, kuttet en NXT-kontakt wire og loddetinn den svarte og hvite kabler til ledningene til sensoren.
  5. Bruk tidligere publiserte neuroethological studier for å finne eller utvikle en hypotetisk nevrale nettverk for modellering purposes. Litteraturen har foreslått ulike nevrale nettverk for å forklare atferd i ulike modellorganismer, fra hummer 16 til lamprett 17. Funksjonelle nevrale enheter bør identifiseres og deres synaptiske forbindelser teoretisert. Romanen neuroethological eksperimenter kan også bli utviklet og implementert hvis laboratoriet forholdene tillater.

2. Programmere Nervous System

  1. Bruk LabVIEW software sammen med LabVIEW Module for LEGO MINDSTORMS NXT å lage virtuelle instrumenter (VIS) som kjører ligninger for en matematisk nevroner og synapser modell. Mens noen publiserte modellen kan brukes, anbefaler vi diskret tid kartbasert (DTM) modell 18. Dette muliggjør beregningsmessig effektiv sanntidsbruk samtidig opprettholde en rekke nevronal utløsning utgang regimer. To styringsparametere, alfa og sigma, bestemme dynamikken i den simulerte nervecellen til å produsere varierte nevrale utgang inkludert tonic skyter, kaotisk skyting, sprengning og indre stillhet. LabVIEW VIs for LEGO Mindstorms for denne nervecellen modellen kan bli funnet på nettet her: http://myfiles.neu.edu/blustein.d/neurobots
  2. Sted VIs inn i en while-loop, slik at nettverket vil oppdatere iterativt.
  3. Koble presynaptiske nervecellen pigg utganger gjennom synapsene til postsynaptiske nevroner.
  4. Pass iterativ oppdatering av parametrene gjennom skiftregistrene til den neste beregningen syklus. DTM-modellen oppdateringer fort (x) og sakte (y) dynamiske variabler som sendes til den neste iterasjon av beregninger.
  5. Sett synapse parametere for å definere nettverk egenskaper. For hver synapse, den synaptiske styrken (gsyn), avslapning rate (gamma), og reversering potensial (XRP) er koeffisienter i DTM modell ligninger som bestemmer synaptiske atferd. Verdien av gsyn er en multitang som bestem-mer størrelsen av den synaptiske strøm effekt fra en pigg arrangement, som strekker seg fra 0,0 (ingen virkning) til 1,0 (100% virkning). Verdien av y er en multiplikator som bestemmer graden av nedbrytning av den synaptiske strøm uavhengig av pigg hendelser, som strekker seg fra 0,0 (fullstendig nedbrytning) til 1,0 (ingen nedbrytning). Verdien av XRP bestemmer nivået på eksitasjon eller inhibering av synapsen, verdier varierer typisk fra -3,0 til 3,0 med positive verdier som representerer eksitasjon og negative verdier som representerer inhibering. Verdier kan være innstilt for dine spesifikke nettverk egenskaper. Her bruker vi følgende innstillinger: gamma = 0,95, gsyn = 0.60 og XRP = 2,2 (eksitatoriske synapser) eller -1,8 (hemmende synapse).
  6. Juster alfa og sigma reguleringsparametrene å endre baseline neuron aktivitet. Dynamikken i modellen for varierte styreparametere er beskrevet i detalj et annet sted 18, men typisk, alfa sigma verdier eller tonic skyter for høye sigma verdier. Overgangen mellom "lav" og "høy" sigma verdier oppstår vanligvis mellom -1,0 og 1,0 avhengig av alfa verdi. Sprengning neuron aktivitet er produsert for alpha> 4 når sigma verdiene er nær null. Her bruker vi alpha = 4,05 og sigma = -3,10.
  7. Bruk LabVIEW VIs til inngangssensoren informasjon i nettverket. For forutsatt sensorer, den VIs er allerede tilgjengelig i Mindstorms LabVIEW modulen. For egendefinerte resistive sensorer, bruke lyssensor VI som programmeringsspråk rammeverk. Informasjon om hvordan du oppretter homebrew sensorer kan finnes andre steder 14.
  8. Sett grafiske diagrammer på frontpanelet av LabVIEW program for å visualisere neuronal aktivitet.
  9. Midlertidig erstatte sensorinnganger med FRONTPANELKONTROLL bokser for å manuelt manipulere sensorinformasjon går til det neurale nettverket.
  10. Kjør nevrale nettverk og manuelt justere frontpanelkontroller å presentere variert sanseinntrykk. Bekreft at nettverket kvalitativt fungerer som spådd for kjente forhold.
  11. Juster nettverket etter behov ved å endre nervecellen og synapse parametere. Første forsøk på tuning nettverket skal gjøres ved å endre synaptiske styrken (gsyn) av de ulike synapser. Andre parametere kan måtte justeres i tillegg.
  12. Når nettverket fungerer med kvalitativ nøyaktighet, erstatte FRONTPANELKONTROLL bokser med følerinngangen VIs.

3. Nervous System Simulering Testing

  1. Sett opp et kontrollert miljø der du kan observere dyret og roboten under lignende forhold. Vi bruker en rektangulær tank som inneholder stein hindringer (figur 1). Tanken kan tømmes for å gi plass til LEGO robot på samme plass.
  2. Mount AVideo kamera overhead å registrere dyret / robot atferd. Pass på at kontrasten mellom motivet og bakgrunnen er høy for å tillate automatisk sporing. Vi malte bunnen av testtank hvitt.
  3. Plasser dyret i kontrollerte omgivelser og video-opptak atferden. Pass på å begrense de sensoriske egenskapene til hummer å matche de av roboten. Her kan vi begrense hummer sensoriske evner ved å dekke øynene med aluminiumsfolie maske og deafferenting chemoreceptors med ferskvann 19.
  4. Juster miljøet for å passe en LEGO robot (fjerne vann om nødvendig) og kjøre roboten i samme kontrollert miljø.
  5. Bruk en MATLAB skript for å automatisk spore markører på prøvene. Vi bruker MouseLabTracker 20.
  6. Lag og sammenligne vektor plott av dyret og robot bevegelser.
  7. Endre nervesystemet og gjenta trinn 03.03 til 03.06 for å observere hvordan ulike aspekter av den elektroniskenervesystemet påvirker robotens oppførsel. Her kan vi justere den synaptiske styrken mellom klo bump sensor nevroner og motoren systemet og monitor robot ytelse i forhold til det av en hummer. Alternativt kan de sensoriske betingelser i testen arenaen modifiseres og effekten observert i roboten og dyr. For eksempel kan arenaen beskrevet her bli utsatt for forskjellige vann strømningshastigheter.

Representative Results

Innspill fra en hummer klør i sin nervesystemet megle hinder forhandling i en roman miljø. Figur 1 viser et skjermbilde av videoen som brukes til å analysere atferden til en LEGO robot (figur 1A) og en hummer (figur 1B) i testen arena. Testen arena ble umodifisert mellom dyr og robot tester bortsett fra at vannet ble tømt fra tanken for roboten prøvelser.

Video sporing resultatene vises i figur 2. Dyre-og robot reise stier ble automatisk spores ved hjelp MouseLabTracker 20 i MATLAB. Representative baner for hummer (svarte linjer) og LEGO robot studier (fargede linjer) er vist. I roboten studier synaptiske styrke fra klo bump sensoriske nerveceller i nervesystemet var variert og representert med forskjellige fargede stier (rød, lav eksitasjon, blå, medium eksitasjon, grønn, høy magnetisering). Den hypotetiske nervøs system med middels nivå eksitatoriske forbindelser fra klo bump sensoriske nevroner produsert lignende atferd til dyr. Kvantitative parametre kan utvinnes fra de data som banelengde og gjennomsnittlig ganghastighet (tabell I).

Figur 1
Figur 1. Overhead videobilder av testen arena for LEGO robot (A) og hummer (B) prøvelser. Forhold ble holdt identiske bortsett fra at vannet ble lagt inn i tanken for dyreforsøk. Den høye kontrasten videobildet muliggjør automatisk sporing ved hjelp av MATLAB programvare.

Figur 2
Figur 2. Sporing av hummer (svarte linjer) og LEGO robot (fargede linjer) stier gjennom testen enrena vist i figur 1. På robot, den synaptiske styrken fra klo bump sensor nevroner var variert (rød, lav eksitasjon, blå, medium eksitasjon, grønn, høy magnetisering).. Symbolet * angir startposisjonen og fylt svarte figurer viser plasseringen av hindringer. Siden hode posisjon ble sporet, varierer åpenbar hindring kontakt på grunn av variasjon i klo posisjon.

Gjennomsnittlig veistrekningen (cm) Gjennomsnittlig hastighet (cm)
Hummer 177,37 1,03
LEGO Robot (høy magnetisering) 162,72 0,94
LEGO Robot (midten eksitasjon) 165,32 0,85
LEGO Robot (lav eksitasjon) 51.02 0,69

Tabell I. Gjennomsnittsverdier parametere fra analyse av video atferd data for hummer og for LEGO roboter med varierte styrkene innspill synapser fra klo bump sensorisk system.

Discussion

Ved initiering biorobotic nervesystemet simulering eksperimenter, er det noen viktige retningslinjer å følge. Å velge riktig modell organisme er kritisk: plukke en organisme som er lett å oppnå og opprettholde. Virvelløse dyr er ideelle fordi de ikke krever vanligvis institusjonelle godkjenning for eksperimentering og deres dyrehold behov er ofte mindre krevende enn de av virveldyr. Fra et vitenskapelig perspektiv er det gunstig å velge et dyr som har en etablert neuroethological litteratur posten for å trekke hypoteser for å teste 21.

Like viktig som å velge en egnet organisme er utvalget av aktuelle atferdsmessige reflekser for studien. LEGO NXT plattformen kan bare håndtere fire sensorer uten spesialforandringene så velge en relativt enkel sensorisk system med begrensede sensorer er viktig. Enkle atferdsmessige reflekser er ofte godt beskrevet og gi mer fleksibilitet i hypotheses som kan testes. Datakraft av NXT er en begrensende faktor for slik innsats bør gjøres for å redusere omfanget av nervesystemet simulering. Forskere ofte publisere foreslått nevrale nettverk forklarer spesiell oppførsel, og det er lettest å velge en av disse. Enkle skatter og kineses er godt egnet til denne biorobotic tilnærming 22.

Mens denne tilnærmingen er nyttig for rask testing av nervesystemet hypoteser, er det flere begrensninger å huske på. Omfanget av testing mulig, er begrenset. Kompliserte sensoriske systemer kan ikke brukes med denne plattformen. For eksempel er kompleks visuell prosessering utover evnen til NXT-prosessor, men relaterte spørsmål kan rettes ved å undersøke enklere komponenter i det visuelle systemet, som for eksempel optisk flyt behandling. Sensoren suite for NXT gir noen iboende begrensninger på omfanget av undersøkelsene tilgjengelig. Mens tilpassede sensorer kan utvikles og brukes on NXT, er dette en tidkrevende prosess som krever ekspertise elektronikk, eventuelt oppheve fordelene ved plattformen for hurtig eksperimentelle gjennomføringen.

Mens det er begrensninger på omfanget av hypoteser som kan testes, gir denne tilnærmingen et unikt verktøy til tidlig implementering av nedfelt nervesystemet simuleringer. LEGO Mindstorms NXT plattformen kan tjene som et springbrett til en mer grundig testing av systemer nivå hypoteser som demonstrert av slike roboter som RoboLamprey 9 og Barbara Webb robot cricket 23. Enkle komponenter av omfattende biomimetic kontroll arkitekturer kan testes på en rask og grei måte. Metoden kan også fremme bio-hybrid simuleringer som styrer virtuelle agenter for å inkludere nedfelt kjøretøy kontroll 24, og det kan tjene som en biomimetic kontroll rammeverk for å grensesnitt mellom hjerne og maskin 25.

Bruke LEGOMindstorms plattformen tillater overføring av denne biorobotic tilnærming til et bredere publikum i skoler og laboratorier utenfor robotikk. Verktøyene har blitt brukt av high school og college studenter 11 og gir en spennende forespørsel-basert metode for å lære nevrovitenskap, robotikk, og verdien av tverrfaglig vitenskap. Laboratorier uten utstyr eller bakgrunnen som trengs for å bygge roboter kan bruke denne godt støttet mainstream robotikk kit å bruke roboter som et verktøy i sitt arbeid. Den biorobotic tilnærming kan gjelde forskning på en rekke områder, fra nevrovitenskap og etologi til biomekanikk og sosial atferd.

Disclosures

Forfatterne erklærer at de har ingen konkurrerende finansielle interesser.

Acknowledgments

Vi takker Dr. Chris Rogers (Tufts University) for programmering og manuskript forslag. Vi takker Alex Giuliano og Deborah Lee for video produksjonsstøtte.

Finansiering gitt av 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).
Designe og implementere Nevrologiske Simuleringer på 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