Neurorobotyka - Neurorobotics

Neurorobotyka , połączone badanie neuronauki , robotyki i sztucznej inteligencji , to nauka i technologia ucieleśnionych autonomicznych systemów neuronowych. Systemy neuronowe obejmują algorytmy inspirowane mózgiem (np. Sieci łącznikowe), modele obliczeniowe biologicznych sieci neuronowych (np. Sztuczne kolczaste sieci neuronowe , symulacje mikroukładów neuronowych na dużą skalę) oraz rzeczywiste systemy biologiczne (np. Sieci neuronowe in vivo i in vitro ). Takie systemy neuronowe mogą być zawarte w maszynach z mechanicznym lub jakimikolwiek innymi formami fizycznego uruchamiania. Obejmuje to roboty , systemy protetyczne lub nadające się do noszenia, ale także, na mniejszą skalę, mikromaszyny, a na większą skalę, meble i infrastrukturę.

Neurorobotyka to ta gałąź neuronauki z robotyką, która zajmuje się badaniem i zastosowaniem nauki i technologii ucieleśnionych autonomicznych systemów neuronowych, takich jak algorytmy inspirowane mózgiem. W swej istocie neurorobotyka opiera się na idei, że mózg jest ucieleśniony, a ciało osadzone w środowisku. Dlatego większość neurorobotów musi funkcjonować w świecie rzeczywistym, a nie w symulowanym środowisku.

Oprócz algorytmów inspirowanych mózgiem dla robotów, neurorobotyka może również obejmować projektowanie systemów robotów sterowanych mózgiem.

Wprowadzenie

Neurorobotyka reprezentuje dwukierunkowe podejście do badania inteligencji. Neuronauka próbuje ustalić, z czego składa się inteligencja i jak działa, badając inteligentne systemy biologiczne, podczas gdy badania nad sztuczną inteligencją próbują odtworzyć inteligencję metodami niebiologicznymi lub sztucznymi. Neurorobotyka to nakładanie się tych dwóch, gdzie teorie inspirowane biologicznie są testowane w uziemionym środowisku, z fizyczną implementacją wspomnianego modelu. Sukcesy i niepowodzenia neurorobota oraz model, na podstawie którego został zbudowany, mogą dostarczyć dowodów na obalenie lub poparcie tej teorii oraz wgląd w przyszłe badania.

Główne klasy modeli neurorobotycznych

Neuroroboty można podzielić na różne główne klasy w zależności od przeznaczenia robota. Każda klasa ma za zadanie implementację określonego mechanizmu zainteresowania do nauki. Typowe typy neurorobotów to te używane do badania kontroli motorycznej, pamięci, wyboru działania i percepcji.

Lokomocja i sterowanie silnikiem

Neuroroboty są często używane do badania sprzężenia zwrotnego silnika i systemów sterowania i udowodniły swoją wartość w opracowywaniu kontrolerów do robotów. Lokomocja jest modelowana przez szereg inspirowanych neurologicznie teorii dotyczących działania układów motorycznych. Sterowanie lokomocją zostało naśladowane przy użyciu modeli lub centralnych generatorów wzorców , skupisk neuronów zdolnych do kierowania powtarzalnymi zachowaniami, aby stworzyć czteronożne chodzące roboty. Inne grupy rozwinęły ideę łączenia podstawowych systemów sterowania w hierarchiczny zestaw prostych systemów autonomicznych. Systemy te mogą formułować złożone ruchy z kombinacji tych podstawowych podzbiorów. Ta teoria działania motorycznego opiera się na organizacji kolumn korowych , które stopniowo integrują się od prostych bodźców sensorycznych do złożonych sygnałów aferentnych lub od złożonych programów motorycznych do prostych kontroli dla każdego włókna mięśniowego w sygnałach odprowadzających , tworząc podobną strukturę hierarchiczną.

Inna metoda kontroli motorycznej wykorzystuje wyuczoną korekcję błędów i sterowanie predykcyjne, aby utworzyć rodzaj symulowanej pamięci mięśniowej . W tym modelu niewygodne, przypadkowe i podatne na błędy ruchy są korygowane w celu wykorzystania informacji zwrotnych o błędach w celu uzyskania płynnych i dokładnych ruchów w czasie. Sterownik uczy się, jak wytworzyć prawidłowy sygnał sterujący, przewidując błąd. Korzystając z tych pomysłów, zaprojektowano roboty, które mogą nauczyć się wykonywać adaptacyjne ruchy ramion lub omijać przeszkody na trasie.

Systemy uczenia się i pamięci

Roboty zaprojektowane do testowania teorii systemów pamięci zwierząt . Obecnie wiele badań bada system pamięci szczurów, zwłaszcza hipokamp szczurów , zajmujących się komórkami miejsca , które strzelają do określonego, poznanego miejsca. Systemy wzorowane na hipokampie szczura są na ogół zdolne do uczenia się map mentalnych środowiska, w tym rozpoznawania punktów orientacyjnych i kojarzenia z nimi zachowań, co pozwala im przewidywać nadchodzące przeszkody i punkty orientacyjne.

W ramach innego badania opracowano robota opartego na proponowanym paradygmacie uczenia się płomykówki w celu orientacji i lokalizacji w oparciu o przede wszystkim bodźce słuchowe, ale także wizualne. Hipotetyczna metoda obejmuje plastyczność synaptyczną i neuromodulację , głównie chemiczny efekt, w którym neuroprzekaźniki nagradzające, takie jak dopamina lub serotonina, wpływają na wrażliwość neuronu na wyzwalanie, aby był ostrzejszy. Zastosowany w badaniach robot odpowiednio dopasował się do zachowania płomykówek. Ponadto ścisła interakcja między wydajnością motoryczną a sprzężeniem słuchowym okazała się niezbędna w procesie uczenia się, wspierając teorie aktywnego wykrywania, które są zaangażowane w wiele modeli uczenia się.

Neuroroboty w tych badaniach mają do nauczenia proste labirynty lub wzorce. Niektóre z problemów przedstawianych neurorobotowi obejmują rozpoznawanie symboli, kolorów lub innych wzorów i wykonywanie prostych czynności w oparciu o wzór. W przypadku symulacji płomykówki robot musiał określić swoje położenie i kierunek poruszania się w swoim otoczeniu.

Wybór działań i systemy wartości

Badania selekcji działań dotyczą negatywnego lub pozytywnego znaczenia działania i jego wyniku. Neuroroboty mogą i były używane do badania * prostych * interakcji etycznych, takich jak klasyczny eksperyment myślowy, w którym jest więcej ludzi niż może pomieścić tratwa ratunkowa, a ktoś musi opuścić łódź, aby uratować resztę. Jednak więcej neurorobotów wykorzystywanych w badaniu selekcji działań zmaga się z dużo prostszymi przekonaniami, takimi jak samozachowanie lub utrwalanie populacji robotów w badaniu. Te neuroroboty są modelowane na podstawie neuromodulacji synaps, aby pobudzić obwody z pozytywnymi wynikami. W układach biologicznych neuroprzekaźniki, takie jak dopamina lub acetylocholina, pozytywnie wzmacniają korzystne sygnały nerwowe. Jedno z badań takich interakcji dotyczyło robota Darwin VII, który wykorzystywał wizualne, słuchowe i symulowane sygnały smakowe do „zjadania” przewodzących metalowych bloków. Dowolnie wybrane dobre klocki miały na sobie pasiasty wzór, podczas gdy złe klocki miały okrągły kształt. Wrażenie smaku było symulowane przez przewodnictwo bloków. Robot miał pozytywne i negatywne informacje zwrotne na temat smaku w oparciu o jego poziom przewodności. Naukowcy obserwowali robota, aby zobaczyć, w jaki sposób nauczył się zachowań związanych z selekcją działań na podstawie posiadanych danych wejściowych. Inne badania wykorzystywały stada małych robotów, które żywią się bateriami rozrzuconymi po pomieszczeniu i przekazują swoje wyniki innym robotom.

Percepcja zmysłowa

Neuroroboty były również wykorzystywane do badania percepcji zmysłowej, zwłaszcza wzroku. Są to przede wszystkim układy, które wynikają z wbudowania neuronowych modeli ścieżek czuciowych w automatach. Takie podejście zapewnia ekspozycję na sygnały sensoryczne, które pojawiają się podczas zachowania, a także umożliwia bardziej realistyczną ocenę stopnia odporności modelu neuronowego. Powszechnie wiadomo, że zmiany sygnałów sensorycznych wytwarzanych przez aktywność motoryczną dostarczają użytecznych wskazówek percepcyjnych, które są szeroko wykorzystywane przez organizmy. Na przykład naukowcy wykorzystali informacje o głębi, które pojawiają się podczas replikacji ruchów głowy i oczu człowieka, do ustalenia solidnych reprezentacji sceny wizualnej.

Roboty biologiczne

Roboty biologiczne nie są oficjalnie neurorobotami, ponieważ nie są inspirowanymi neurologicznie systemami sztucznej inteligencji, ale rzeczywistą tkanką neuronową podłączoną do robota. Wykorzystuje to kulturowe sieci neuronowe do badania rozwoju mózgu lub interakcji neuronowych. Zwykle składają się one z kultury neuronowej wyhodowanej na macierzy multielektrodowej (MEA), która jest zdolna zarówno do rejestrowania aktywności nerwowej, jak i do stymulowania tkanki. W niektórych przypadkach MEA jest podłączona do komputera, który przedstawia symulowane środowisko w tkance mózgowej i przekłada aktywność mózgu na działania w symulacji, a także dostarcza sensorycznej informacji zwrotnej. Możliwość rejestrowania aktywności neuronalnej daje badaczom wgląd w mózg, choć prosty, którego mogą użyć, aby dowiedzieć się o wielu tych samych zagadnieniach, w których wykorzystywane są neuroroboty.

Obszarem zainteresowania robotów biologicznych jest etyka. Pojawia się wiele pytań dotyczących tego, jak traktować takie eksperymenty. Pozornie najważniejsze jest pytanie o świadomość i czy mózg szczura jej doświadcza. Ta dyskusja sprowadza się do wielu teorii na temat tego, czym jest świadomość.

Zobacz Hybrot , świadomość .

Implikacje dla neuronauki

Neuronaukowcy czerpią korzyści z neurorobotyki, ponieważ zapewnia ona czystą kartę do testowania różnych możliwych metod funkcjonowania mózgu w kontrolowanym i możliwym do przetestowania środowisku. Co więcej, chociaż roboty są bardziej uproszczonymi wersjami systemów, które naśladują, są bardziej szczegółowe, umożliwiając bardziej bezpośrednie testowanie danego problemu. Mają również tę zaletę, że są zawsze dostępne, podczas gdy znacznie trudniej jest monitorować nawet duże części mózgu, gdy zwierzę jest aktywne, nie mówiąc już o poszczególnych neuronach.

Wraz z rozwojem neuronauki, pojawiły się liczne terapie neuronalne, od leków po rehabilitację neuronalną. Postęp zależy od skomplikowanego zrozumienia mózgu i jego dokładnego funkcjonowania. Badanie mózgu jest bardzo trudne, zwłaszcza u ludzi, ze względu na niebezpieczeństwo związane z operacjami czaszki. Dlatego kluczowe znaczenie ma wykorzystanie technologii do wypełnienia pustki testowalnych obiektów. Właśnie to osiągają neuroroboty, poszerzając zakres testów i eksperymentów, które można przeprowadzić w badaniu procesów neuronowych.

Zobacz też

Bibliografia

Linki zewnętrzne