Login processing...

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

Neuroscience

Проектирование и реализация системы Нервная Симуляторы на LEGO роботы

doi: 10.3791/50519 Published: May 25, 2013

Summary

Подход к моделированию нейронных сетей на платформе LEGO Mindstorms робототехника представлена. Метод обеспечивает инструмент для моделирования беспозвоночных нейронаук как в исследовательской лаборатории и в классе. Этот метод позволяет производить исследование биомиметическую принципы управления роботом.

Abstract

Мы представляем метод воспользоваться имеющимся в продаже LEGO Mindstorms NXT роботов платформу для тестирования систем уровне неврологии гипотез. Первый этап способа состоит в разработке нервной системы моделирования конкретных рефлексивный поведения соответствующем организме модель, здесь мы используем американский омаров. Экстероцептивные рефлексы опосредовано перекрещивание (пересечение) нервных связей может объяснить такси животного к или от стимула, как описано Braitenberg и особенно хорошо подходят для исследований с использованием платформы NXT. 1 нервной системы моделирования программируются с помощью LabVIEW программное обеспечение на LEGO Mindstorms платформы. После нервной системы настроены должным образом, поведенческие эксперименты выполняются на роботе и на животное при идентичных условиях окружающей среды. Управляя сенсорной среды, испытываемых образцов, различия в поведенческих выходы могут быть соблюдены. Эти различия могут указывать на конкретные deficiencх годов в нервной системе и модели служить для итерация модели для конкретного поведения в стадии изучения. Этот метод позволяет экспериментальные манипуляции электронных нервной системы и служит способом для изучения неврологии гипотезы особенно в отношении нейрофизиологической основе простых врожденных рефлексивного поведения. LEGO Mindstorms NXT комплект обеспечивает доступной и эффективной платформой для проверки предварительных биомиметическую схем управления роботом. Этот подход также хорошо подходит для высоких классах школы, чтобы служить основой для практического запрос на основе учебной программы biorobotics.

Introduction

Нейрофизиологических исследований в течение последних 100 лет чрезвычайно расширили наши знания о структуре нервной системы и функции. Тем не менее, большинство исследований нервной системы на сегодняшний день полагалась на использование изолированных препаратов или сдержанная предметам. В то время было много успешных усилий для записи нейронной активности от себя свободно 2-5 животных, biorobotic подход обеспечивает ценный инструмент для обеспечения нервной системы манипуляции с целью проверки систем неврологии уровне гипотез 6. Имитация нервной систем, работающих на роботы могут быть экспериментально манипулировать и создать условия для расширения программного обеспечения для моделирования в физическом мире. Этот подход был реализован также в академическом мире 7,8, но процесс строительства биомиметическую роботов для проверки гипотез может быть дорогим и трудоемким. Мы представляем метод для выполнения biorobotic подход с использованием коммерчески доступных к робототехникеего (LEGO Mindstorms NXT 2.0). Цель этого метода состоит в обеспечении быстрого и эффективного способа проверить Системы Уровень неврологии гипотез о роботом 9 или био-гибридным 10 воплощенная моделирования нейронных сетей. Ускорение процесса от гипотезы экспериментировать улучшает исследования производительности. Простые LEGO Mindstorms платформа обеспечивает испытательного стенда для биомиметическую датчики и нервных сетей, которые мы демонстрируем использование американский омар (Homarus атепсапиз) в качестве модельного организма. Способ также обеспечивает мощный практический инструмент обучения в классе, как студенты могут разрабатывать и манипулировать нервной системы в своей собственной роботов 11.

Protocol

1. Построение модели робота

  1. Выберите модель для изучения организма, который хорошо представлен в neuroethological литературы. Беспозвоночных обычно делают хорошие кандидаты, потому что их относительно простой нервной системы были хорошо изучены и в основном состоит из врожденных рефлексов. Покажем это подход с использованием американский омар, Homarus атепсапиз.
  2. Выберите хорошо изучены рефлексивного поведения для целей моделирования. Мы выбрали ответы омара, чтобы усиков изгиб и удар когтями обнаружения как животное рефлекторно реагирует на изгиб антенны, чтобы вызвать rheotaxis (ориентация на воде), а коготь контакты посредника обход препятствий. Простые рефлексы опираясь на перекрещивание нервные связи от симметричны датчики хорошо подходят для такого рода исследования 1.
  3. Построить или выбрать робота платформу с соответствующими датчиками для выбранного поведения для запуска нейронныхмоделирование сети. В то время как выделенный робот может быть построена таким как RoboLobster 12 или разрастания (таракан) робота 13 семьи, здесь мы используем коммерчески доступного набора для ускорения процесса экспериментальной. LEGO Mindstorms NXT 2.0 комплект, предоставив шаблоны, модульных компонентов и установленных датчиков, позволяет оперативно физических конструкцию робота.
  4. Выберите или построить датчиков в соответствии с порядком, утвержденным поведение выбранного на шаге 1.2. Premade датчиков из LEGO Mindstorms комплект может использоваться или доморощенного датчики могут быть спроектированы, 14,15. Мы выбрали LEGO включены сенсорные и пользовательские усиков датчика изгиба, состоящая из датчика изгиба FlexPoint сращены с разъемом NXT. Для построения специального резистивного разъем, разрезать провод NXT разъем и припаять черно-белый кабель к выводам датчика.
  5. Использовать ранее опубликованных исследованиях neuroethological найти или создать гипотетическую нейронной сети для моделирования рurposes. В литературе предложены различные нейронные сети, чтобы объяснить поведение в различных модельных организмов, от 16 до омаров миноги 17. Функциональные нейронные подразделения должны быть идентифицированы, и их синаптических связей предположил. Роман neuroethological эксперименты также могут быть разработаны и реализованы, если позволяют обстоятельства лаборатории.

2. Программирование нервной системы

  1. Использование LabVIEW программное обеспечение вместе с модулем LabVIEW для LEGO Mindstorms NXT для создания виртуальных инструментов (ВП), которые выполняются уравнения для математического нейронов и синапсов модели. В то время как любой опубликованный модель может быть использована, мы рекомендуем дискретным временем картографический (DTM) модели 18. Это позволяет вычислительно эффективных реальном масштабе времени, сохраняя при различных режимах нейронов выходного обжига. Две контрольные параметры, альфа-и сигма, определить динамику моделируемых нейронов для получения разнообразных нейронных вывода, включая тонахС пика, хаотическое стрельбы и разрывов на внутренней тишины. ВП LabVIEW для LEGO Mindstorms для этой модели нейрона можно найти в Интернете здесь: http://myfiles.neu.edu/blustein.d/neurobots
  2. Место ВП в то время как цикл так, что сеть будет обновлять итеративно.
  3. Подключите пресинаптического нейрона шип выходы через синапсы постсинаптических нейронов.
  4. Pass итеративно обновление параметров через регистры сдвига к следующему циклу расчета. Модель DTM быстрого обновления (х) и медленные (Y) динамических переменных, которые передаются в следующей итерации расчетов.
  5. Установить синапса параметра для определения характеристик сети. Для каждого синапса, синаптической силы (gsyn), скорость релаксации (гамма), а обратный потенциал (XRP) коэффициенты в модели DTM уравнения, определяющие синаптической поведения. Значение gsyn является многопрофильнымплоскогубцы, определяющая величину синаптической текущий эффект от событий шип, в диапазоне от 0,0 (нет эффекта) до 1,0 (100% эффект). Значение гаммы является мультипликатором, который определяет скорость распада синаптических независимо от текущего всплеска мероприятия, начиная от 0.0 (полный распад) до 1,0 (без распада). Значение XRP определяет уровень возбуждения или торможения синапса, значения обычно находятся в диапазоне от -3,0 до 3,0 с положительными значениями, представляющими возбуждения и отрицательных значений, представляющих торможения. Значения могут быть настроены для ваших конкретных характеристик сети. Здесь мы используем следующие параметры: гамма = 0,95, = 0,60 gsyn и XRP = 2,2 (возбуждающие синапсы) или -1,8 (ингибирующих синапсов).
  6. Настройте параметры альфа-и сигма управления для изменения базовой деятельности нейрона. Динамика модели для разнообразных параметров управления подробно описаны в других 18 но, как правило, альфа сигма или тоником для пики высоких значений сигма. Переход между "низкой" и "высокой" Сигма значения обычно происходит от -1,0 до 1,0 в зависимости от значения альфа. Разрывные нейронной активности производится для альфа> 4, когда сигма значения близки к нулю. Здесь мы используем альфа = 4,05 и сигма = -3,10.
  7. Используйте ВП LabVIEW для ввода информации от датчиков в вашу сеть. За предоставленные датчики, ВП уже доступны в пределах модуля LabVIEW Mindstorms. Для пользовательских резистивных датчиков, используйте свет VI датчика среда программирования. Сведения о создании доморощенного датчики могут быть найдены в других местах 14.
  8. Вставьте графических диаграмм на передней панели программы LabVIEW визуализировать активность нейронов.
  9. Временно заменить датчик входа с передней коробки панели управления для того, чтобы вручную манипулировать датчикаинформацию, поступающую на нейронной сети.
  10. Запустите нейронной сети и возможность ручной установки передней панели, чтобы представить разнообразных сенсорной информации. Убедитесь, что сеть функционирует как качественно прогнозируется известных условиях.
  11. Подстройка сети по мере необходимости путем изменения нейронов и синапсов параметров. Первые попытки настройки сети должно быть сделано путем изменения синаптической силы (gsyn) различных синапсов. Другие параметры могут должны быть скорректированы, а также.
  12. После того как сеть с функциями качественной точности, заменить переднюю панель управления коробки с входом датчика Вис.

3. Нервная Тестирование системы моделирования

  1. Настройка контролируемой среды, в которой для наблюдения за животными, и робот в аналогичных условиях. Мы используем прямоугольный резервуар, содержащий рок препятствия (рис. 1). Резервуар может быть очищена для размещения робота LEGO в том же пространстве.
  2. Горы А.В.IDEO камеру над головой, чтобы записать животное / поведения роботов. Убедитесь, что контраст между объектом и фоном высоко, чтобы обеспечить для автоматического слежения. Мы окрашены в нижней части бака тест белым.
  3. Место животное в контролируемой среде и видеозаписи поведения. Будьте уверены, чтобы ограничить возможности сенсорных омаров, чтобы они совпадали робота. Здесь мы ограничимся сенсорных возможностей омара, закрывая глаза маски алюминиевой фольги и deafferenting хеморецепторов с пресноводными 19.
  4. Отрегулируйте окружающей среды в соответствии с роботом LEGO (удаление воды, если необходимо), запустите робота в той же контролируемой среде.
  5. Используйте сценарий MATLAB для автоматического отслеживания маркеров на образцах. Мы используем MouseLabTracker 20.
  6. Создание и сравнить вектор участки животных и движения робота.
  7. Изменить нервной системы и повторите шаги 3.3-3.6 наблюдать, как различные аспекты электронныхнервной системы влияет на поведение робота. Здесь мы регулируем синаптической силы между датчиком удара когтями нейронов и опорно-двигательного аппарата и монитор производительности робота по сравнению с омаром. Кроме того, сенсорная условий в зоне испытания могут быть модифицированы и эффекты, наблюдаемые в робота и животных. Например, арена, описанные здесь могут быть подвергнуты различных расходах воды.

Representative Results

Входы от когтей омара в его нервной системе посредником препятствием переговоров в новой среде. Рисунке 1 показан скриншот видео использована для анализа поведения LEGO робота (рис. 1а) и Омар (рис. 1В) в тесте арене. Тест арена была неизмененной между животным и роботом тесты исключением того, что вода была освобождена из бака для робота испытаний.

Результаты отслеживания видео отображаются на рисунке 2. Пути животных и роботов путешествия были автоматически отслеживаются с помощью MouseLabTracker 20 в MATLAB. Представитель пути для омаров (черные линии) и LEGO робот испытаний (цветные линии) показаны. В роботе испытаний, синаптической силы из когтя поднять сенсорных нейронов в нервной системе была разнообразной и представлена ​​различными путями цветные (красные, низкое возбуждение, синий, средний возбуждение, зеленый, высокое возбуждение). Гипотетической нервной сystem с середины уровня возбуждающими связями с когтями Bump сенсорных нейронов дало аналогичные поведения для животного. Количественные показатели могут быть извлечены из данных, таких как длина пути и средней скорости ходьбы (таблица I).

Рисунок 1
Рисунок 1. Накладные видеокадров теста ареной LEGO робот (А) и омаров (B) испытаний. Условия держали идентичны, за исключением, что добавляют воду в бак для животного испытаний. Изображение высокого контрастность видео облегчает автоматическое слежение использованием MATLAB программного обеспечения.

Рисунок 2
Рисунок 2. Отслеживание омаров (черные линии) и LEGO робот (цветные линии) путями через испытанияРена показано на рисунке 1 на роботе, синаптической силы от нейронов коготь Bump датчика была разнообразной (красный, низкий возбуждения, синий, средний возбуждение, зеленый, высокое возбуждение).. Символ * обозначает исходное положение и заполнили черные фигуры показывают расположение препятствий. Так как положение головы было отслеживается, очевидного контакта препятствием варьируется в зависимости от изменчивости коготь положение.

Среднее расстояние пути (см) Средняя скорость движения (см)
Омар 177,37 1,03
LEGO робот (высокое возбуждение) 162,72 0,94
LEGO робот (середина возбуждение) 165,32 0,85
LEGO робот (низкое возбуждение) 51.02 0,69

Таблица I. усредненных параметров из анализа поведения видео данных для омаров и для LEGO роботы с разнообразными сильных входных синапсов от когтей Bump сенсорной системы.

Discussion

При инициировании biorobotic экспериментов нервной системы моделирования, есть несколько важных правил, следовать. Выбор правильной модели организме имеет решающее значение: выбрать организм, который легко получить и поддерживать. Беспозвоночные являются идеальными, поскольку они обычно не требуют институциональных утверждения для экспериментов и их хозяйство потребности часто менее требовательны, чем у позвоночных. С научной точки зрения, это выгодно выбрать животное, которое имеет установленную neuroethological записи литературы из которых можно черпать гипотез для тестирования 21.

Подобно тому, как важно, как выбор подходящей организм выбор соответствующих поведенческих рефлексов для изучения. LEGO NXT платформа может обрабатывать только четыре датчика без пользовательских модификаций так что выбор относительно простой сенсорной системы с ограниченным датчики важно. Простые поведенческие рефлексы часто хорошо описаны и обеспечить большую гибкость в hypotheses которые могут быть проверены. Вычислительная мощность NXT является ограничивающим фактором тоже так следует приложить усилия к сокращению объема нервной системы моделирования. Ученые часто публикуют нейронные сети предложены конкретные объяснения поведения и проще всего, чтобы выбрать один из них. Простые налоги и kineses хорошо подходят для этой biorobotic подхода 22.

Хотя такой подход полезен для быстрого тестирования гипотез нервной системы, есть несколько ограничений иметь в виду. В объем тестирования возможно ограничено. Сложные сенсорных систем не могут быть использованы с этой платформой. Например, сложные визуальные обработки за пределами возможностей процессора NXT, но вопросы, связанные может быть решена путем изучения простые компоненты зрительной системы, такие как оптические обработка потока. Сюита для датчика NXT обеспечивает некоторые внутренние ограничения на объем исследований доступны. А пользовательские датчики могут быть разработаны и использованы ON NXT, это трудоемкий процесс, который требует электроники экспертизы, возможно отрицая преимущества платформы для быстрого экспериментальная реализация.

В то время как существуют ограничения на ряд гипотез, которые можно проверить, такой подход обеспечивает уникальный инструмент для ранней стадии реализации воплощенных моделирования нервной системы. LEGO Mindstorms NXT платформа может служить ступенькой на пути к более тщательному тестированию систем уровне гипотез о чем свидетельствуют такие роботы как RoboLamprey 9 и роботизированной крикет Барбара Уэбба 23. Простой компонент широких биомиметических архитектуры управления могут быть проверены в быстрых и простым способом. Этот метод может также способствовать био-гибридным моделирования, которые контролируют виртуальные агенты включить воплощенные управления транспортным средством 24, и это может служить биомиметическую контролю, интерфейс между мозгом и машиной 25.

Использование LEGOMindstorms платформы позволяет передачу этой biorobotic подход к более широкой аудитории в школах и за пределами лаборатории робототехники. Инструменты были использованы средней школы и студентов колледжа 11 и обеспечивает захватывающее запрос на основе метода научить неврологии, робототехники, и значение междисциплинарная наука. Лаборатории без оборудования или фона, необходимые для создания роботов можете использовать это хорошо поддерживается основной комплект робототехники использовать роботов в качестве инструмента в своей работе. Biorobotic подход может применяться в отношении исследований в самых разных областях, от неврологии и этологии в биомеханике и социальное поведение.

Disclosures

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Acknowledgments

Мы благодарим д-р Крис Роджерс (Университет Тафтса) для программирования и рукописи предложения. Мы благодарим Алекса Джулиано и Дебора Ли за поддержку видео производства.

Финансовые средства, предоставленные NSF Высшее исследовательский грант и MURI ОНР в Синтетическая биология.

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).
Проектирование и реализация системы Нервная Симуляторы на LEGO роботы
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