پیش‌نویس:نوروروباتیک(Neurorobotics)

از ویکی‌پدیا، دانشنامهٔ آزاد

نوروروباتیک (Neurorobotics) ،علم و فناوری مربوط به سیستم های عصبی خودکار تجسم یافته است که یک مطالعه ترکیبی از علوم اعصاب ، روباتیک و هوش مصنوعی می باشد. سیستم های عصبی شامل الگوریتم های الهام گرفته از مغز (به عنوان مثال شبکه های اتصال دهنده) ، مدل های محاسباتی مربوط به شبکه های عصبی بیولوژیکی (به عنوان مثال شبکه های عصبی اسپایکی ، شبیه سازی میکرو مدارهای عصبی در مقیاس بزرگ) و سیستمهای بیولوژیکی حقیقی (مانند شبکه های عصبی داخل بدن و آزمایشگاهی ) هستند. چنین سیستمهای عصبی را می توان در ماشین هایی با عملکرد مکانیکی یا هر شکل دیگری از تحریک فیزیکی مجسم کرد. این ماشین ها شامل روبات ها ، سیستم های پروتزی یا سیستم های پوششی(wearable systems) ،میکرو ماشین ها در مقیاس کوچکتر و تجهیزات و دستگاه ها در مقیاس بزرگ می باشد.

نوروروباتیک شاخه ای از علوم اعصاب (نوروساینس) درامیخته با روباتیک است ، که به مطالعه و کاربرد علم و فناوری مربوط به سیستم های عصبی خودکار تجسم یافته ،مانند الگوریتم های الهام گرفته از مغز می پردازد. در هسته آن ، نوروروباتیک بر اساس این ایده بنا شده است که یک مغز برای روبات در نظر گرفته می شود و جسم فیزیکی ان برای انجام عمل در محیط قرار می گیرد. بنابراین ، بسیاری از نوروروبات ها موظفند بر خلاف یک محیط شبیه سازی شده در دنیای واقعی عمل کنند. [۱]

فراتر از الگوریتم های الهام گرفته از مغز همچنین نوروروباتیک ممکن است شامل طراحی مغز به عنوان سیستم کنترل کننده روبات باشد. [۲] [۳] [۴]

مقدمه[ویرایش]

نوروروباتیک بیانگر یک رویکرد دو جبهه ای از مطالعه هوش است. علوم اعصاب تلاش می کند با بررسی سیستم های هوشمند بیولوژیکی ، چگونگی عملکرد و اجزای هوش را تعیین کند ، در حالی که مطالعه هوش مصنوعی تلاش می کند تا با استفاده از روشهای غیر بیولوژیکی یا ابزار های مصنوعی ، هوش را بازآفرینی کند. نوروروباتیک هردو زمینه مطالعاتی فوق را در بر می گیرد ، که در آن تئوری های بر گرفته شده از سیستم های بیولوژیکی در یک محیطی که بر اساس مدل ارائه شده ایجاد شده است ، آزمایش می شوند. موفقیت ها و شکست های ازمایش یک نوروروبات و مدلی که از آن ساخته شده است می تواند شواهدی را برای رد یا پشتیبانی از آن تئوری فراهم کند و بینشی برای مطالعه آینده باشد.

کلاس های اصلی مدلهای نوروروباتیک[ویرایش]

نوروروبات را می توان بر اساس هدف ربات به کلاس های مختلف تقسیم کرد. هر کلاس برای پیاده سازی یک مکانیسم خاص به منظور مطالعه ان مکانیسم طراحی شده است. انواع متداول نوروروبات ها مواردی هستند که برای بررسی کنترل حرکتی ، حافظه ، انتخاب عملکرد و ادراک استفاده می شوند.

حرکت و کنترل حرکت[ویرایش]

نوروروبات ها اغلب برای مطالعه فیدبک حرکتی و سیستم های کنترلی استفاده می شوند و شایستگی خود را در زمینه کنترل ربات ها به اثبات رسانده اند. حرکت توسط تعدادی از نظریه های برگرفته شده از عملکرد بخش های عصبی مربوط به حرکت مدلسازی می شود. کنترل حرکت از مدلها یا مولدهای الگوی مرکزی تقلید می شود تا روبات های روی چهار پا بسازد .مولدهای الگوی مرکزی توده های عصبی هستند که قادر به انجام رفتارهای تکراری می باشند. [۵] گروه های دیگر ایده ترکیب سیستم های کنترلی ابتدایی را با یک مجموعه سلسله مراتبی از سیستم های ساده خودکار گسترش داده اند. این سیستم ها می توانند حرکات پیچیده ای را از ترکیب این زیر مجموعه های ابتدایی شکل دهند. [۶] این تئوری مربوط به عملکرد حرکتی است که مبتنی بر سازماندهی ستونهای قشری مغز می باشد.این ساختار که به تدریج از ورودی حسی ساده شروع می شود و به سیگنالهای پیچیده در فیبر عصبی آوران ختم می شود، یا بالعکس از برنامه های حرکتی پیچیده گرفته تا کنترل های ساده برای هر فیبر عضلانی در اثر عبور سیگنال های وابران ، یک ساختار سلسله مراتبی مشابه را تشکیل می دهند.

روش دیگر برای کنترل حرکت استفاده از تصحیح خطای آموخته شده و کنترل های پیش بینی کننده برای ایجاد نوعی حافظه عضله ای شبیه سازی شده است. در این مدل ، حرکات تصادفی و دارای خطا با استفاده از فیدبک خطا اصلاح می شوند تا حرکات منظم و دقیقی با گذشت زمان ایجاد شود. کنترل کننده با پیش بینی خطا یاد می گیرد که، سیگنال کنترلی صحیحی را ایجاد کند. با استفاده از این ایده ها، روبات طراحی شده می تواند یاد بگیرد که حرکات تطبیقی انجام دهد [۷] و یا در یک مسیر به موانع بر خورد نکند.

سیستم های یادگیری و حافظه[ویرایش]

روبات هایی هستند که برای ازمایش تئوری های مربوط به سیستم های حافظه ای حیوانات طراحی شده اند. در حال حاضر بسیاری از مطالعات ، سیستم حافظه ای موش ها را به ویژه هیپوکامپوس موش که با سلول های مکان (place cells :نوعی سلول عصبی در هیپوکاموس) در ارتباط است ، بررسی می کند. این سلول ها برای مکان خاصی که آموخته می شود ، تحریک می شوند. [۸] [۹] سیستم هایی که هیپوکامپوس موش را مدل می کنند ، به طور کلی قادر به ایجاد نقشه های ذهنی از محیط اطراف هستند که این امر به کمک شناخت علائم برجسته ان محیط و نحوه برخورد با آن بر اساس یادگیری انجام می شود و به آنها امکان پیش بینی علائم و موانع نزدیک را می دهد.

یک مطالعه دیگر رباتی مبتنی بر الگوی یادگیری جغد برای جهت یابی و مکان یابی مبتنی بر محرکهای شنیداری و بصری ایجاد کرده است. این فرضیه شامل پلاستیسیته سیناپسی و مدولاسیون نورونی است. [۱۰] مدولاسون نورونی اغلب یک اثر شیمیایی است که در آن انتقال دهنده های عصبی مانند دوپامین یا سروتونین حساسیت نورون را تحت تاثیر قرار می دهند. [۱۱] روبات مورد استفاده در مطالعه مذکور به اندازه كافي با رفتار جغدها مطابقت داشته است. [۱۲] علاوه بر این تعامل نزدیک بین خروجی سیستم حرکتی و فیدبک شنوایی ثابت کرده است که تئوری های حس کردن فعال (active sensing) در فرایند یادگیری نقش بسیار حیاتی دارند و همچنین بسیاری از مدل های یادگیری شامل این تئوری هستند.

نوروروبات هایی برای یادگیری الگوها یا مارپیچ های ساده در رابطه با این مطالعات ارائه شده است. برخی از مشکلات ارائه شده برای نوروروبات شامل تشخیص نمادها ، رنگها یا سایر الگوها و اجرای ساده اعمال مبتنی بر الگوها است. در روباتی که بر اساس رفتار جغد شبیه سازی شده بود ، روبات برای هدایت خود در محیط باید موقعیت و جهت حرکت را تعیین می کرد.

انتخاب عمل و ارزیابی[ویرایش]

مطالعات مربوط به انتخاب عمل با نسبت دادن وزن منفی یا مثبت به یک عمل و نتیجه آن سروکار دارد. نوروروبات ها می توانند در مطالعه تعامل اخلاقی مورد استفاده قرار بگیرند، مانند آزمایش این تفکر قدیمی که تعداد افراد موجود در یک قایق نجات از ظرفیت ان بیشتر بوده و یک نفر برای نجات بقیه باید قایق را ترک کند. با این حال ، تعداد بیشتری از نورو روبات ها در بررسی انتخاب عمل ،اعمالی را انجام می دادند که با عقیده بسیار ساده مانند حفظ و نجات خود یا حفظ جمعیت روبات ها مخالف بودند. این نوروروبات ها پس از مدولاسیون نورونی سیناپسها برای تقویت مدارهایی با نتایج مثبت مدل می شوند. [۱۱] [۱۳] در سیستم های بیولوژیکی ، انتقال دهنده های عصبی مانند دوپامین یا استیل کولین سیگنال های عصبی مفید را تقویت می کنند. یک مطالعه از چنین تعامل شامل روبات داروین هفت بود که از حس بصری ، شنیداری و حس چشایی شبیه سازی شده به عنوان ورودی برای بررسی (خوردن) بلوک های فلزی رسانا استفاده می کرد. بلوک های خوب از نظر ارزش گذاری دارای الگوی راه راه بر روی خود بودند در حالی که بلوک های بد یک شکل دایره ای روی خود داشتند. حس چشایی یا به عبارتی مزه بلوک ها با میزان رسانایی بلوک ها شبیه سازی می شود. این روبات با توجه به سطح رسانایی بلوک ها ، فیدبک های مثبت و منفی ای را از مزه ان ارائه می دهد. محققان در این ازمایش خواستند ببیند که ربات چگونه رفتارها و عملکردهای انتخابی خود را بر اساس ورودی های مختلف ، آموخته است. [۱۴] در مطالعات دیگر از گروه هایی از روبات های کوچک استفاده شده است که از باتری های پخش شده در اطراف اتاق تغذیه می کنند و یافته های خود را به سایر روبات ها ابلاغ می کنند. [۱۵]

ادراک حسی[ویرایش]

نوروروبات ها همچنین برای مطالعه درک حسی ، به ویژه بینایی مورد استفاده قرار گرفته اند. اینها در اصل سیستمهایی هستند که از تعبیه مدلهای عصبی مربوط به مسیرهای حسی در ماشین های خودکار بوجود می ایند. این روش مبتنی بر سیگنال های حسی است که در طول انجام عمل رخ می دهد و همچنین ارزیابی واقعی تری از میزان مقاوم بودن مدل عصبی را امکان پذیر می کند. به خوبی شناخته شده است که تغییرات ناشی از فعالیت حرکتی در سیگنالهای حسی ، نشانه های ادراکی مفیدی را توسط ارگانیسم ها فراهم می کند که بطور گسترده مورد استفاده قرار می گیرند. به عنوان مثال ، محققان از اطلاعات عمیقی که از حرکات سر و چشم انسان بدست می اید برای ایجاد نمایش مفهوم داری از صحنه بصری استفاده کرده اند. [۱۶] [۱۷]

روبات های بیولوژیکی[ویرایش]

روبات های بیولوژیکی به طور رسمی نوروروبات نیستند زیرا در آنها از نظر نورولوژیکی از سیستم هوش مصنوعی الهام گرفته نشده است ، بلکه بافتهای عصبی واقعی هستند که به یک ربات وصل می شوند. این ربات ها از شبکه های عصبی کشت شده برای مطالعه رشد مغز یا تعامل عصبی استفاده می کنند. این ربات ها به طور معمول شامل یک مجموعه عصبی هستند که بر روی یک آرایه چند الکترودی (MEA) قرار گرفته اند و قادر به ضبط فعالیت عصبی و تحریک بافت هستند. در بعضی موارد ، MEA به رایانه ای متصل می شود که محیط شبیه سازی شده ای را برای بافت مغز ایجاد می کند و فعالیت مغز را به صورت یک عمل متناظر با ان فعالیت ، شبیه سازی می کند . [۱۸] توانایی ضبط فعالیت عصبی به محققان امکان استفاده از این داده ها برای آموزش نوروروبات ها داده است .

یک بخشی که در ان روبات های بیولوژیکی با ان درگیر هستند بحث رفتارهای اخلاقی است. سؤالات زیادی درباره نحوه انجام آزمایشاتی درباره این موضوع مطرح می شود. به نظر می رسد مهمترین سؤال بحث آگاهی است و اینکه ایا مغز موش آن را تجربه می کند یا خیر. این بحث به نظریه های بسیاری درمورد اینکه آگاهی چیست ، می رسد. [۱۹] [۲۰]

به هیبروت ، آگاهی مراجعه کنید.

پیشرفت در حوزه علوم اعصاب به کمک نوروروباتیک[ویرایش]

دانشمندان علوم اعصاب از نوروروباتیک استفادهای زیادی می کنند زیرا یک محیط قابل کنترل برای ازمایش نحوه عملکرد مغز فراهم می کند. علاوه بر این ، چون روبات ها نمونه های ساده تری از سیستم هایی هستند که از آنها تقلید می کنند ، امکان آزمایش های بیشتر و بررسی مستقیم مسئله های متفاوتی را فراهم می کنند. [۱۰] آنها همچنین این مزیت را دارند که در همه زمانها قابل دسترس هستند ، در حالی که نظارت بر حتی بخش های بزرگی از مغز در حالی که حیوان زنده است ، دشوار است و بررسی تک تک نورون ها تقریبا امکان پذیر نیست.

با توجه به موضوع علوم اعصاب که در حال رشد است ، درمانهای عصبی متعددی از داروها گرفته تا توانبخشی عصبی پدیدار شده اند. [۲۱] پیشرفت در این حوزه به درک پیچیدگی مغز و نحوه عملکرد دقیق آن بستگی دارد. مطالعه مغز خصوصاً در انسان به دلیل خطر ناشی از جراحی های جمجمه بسیار دشوار است. بنابراین ، استفاده از فناوری برای پر کردن این خلاء امری حیاتی است. نوروروبات ها دقیقاً این وظیفه را انجام می دهند و طیف وسیعی از آزمایش هایی را پوشش می دهند که می تواند در مطالعه فرآیندهای عصبی منجر به پیشرفت چشم گیری شود.

همچنین ببینید[ویرایش]

منابع[ویرایش]

  1. ↑ Chiel, H. J., & Beer, R. D. (1997). The brain has a body: adaptive behavior emerges from interactions of nervous system, body and environment. [Editorial Material]. Trends in Neurosciences, 20(12), 553-557.
  2. ↑ Vannucci, L.; Ambrosano, A.; Cauli, N.; Albanese, U.; Falotico, E.; Ulbrich, S.; Pfotzer, L.; Hinkel, G.; Denninger, O. (1 November 2015). "A visual tracking model implemented on the iCub robot as a use case for a novel neurorobotic toolkit integrating brain and physics simulation". 2015 IEEE-RAS 15th International Conference on Humanoid Robots (Humanoids): 1179–1184. doi:10.1109/HUMANOIDS.2015.7363512. ISBN 978-1-4799-6885-5. Retrieved 9 April 2017.
  3. ↑ "Brain - Supported Learning Algorithms for Robots" (PDF). Retrieved 9 April 2017.
  4. ↑ "A Basic Neurorobotics Platform Using the Neurosky Mindwave". Ern Arrowsmith. 2 October 2012. Retrieved 9 April 2017.
  5. ↑ Ijspeert, A. J., Crespi, A., Ryczko, D., and Cabelguen, J. M. (2007). From swimming to walking with a salamander robot driven by a spinal cord model. Science 315, 1416-1420.
  6. ↑ Giszter, S. F., Moxon, K. A., Rybak, I. A., & Chapin, J. K. (2001). Neurobiological and neurorobotic approaches to control architectures for a humanoid motor system. Robotics and Autonomous Systems, 37(2-3), 219-235.
  7. ↑ Eskiizmirliler, S., Forestier, N., Tondu, B., and Darlot, C. (2002). A model of the cerebellar pathways applied to the control of a single-joint robot arm actuated by McKibben artificial muscles. Biol Cybern 86, 379-394.
  8. ↑ O'Keefe, J., and Nadel, L. (1978). The hippocampus as a cognitive map (Oxford: Clarendon Press).
  9. ↑ Mataric, M. J. (1998). Behavior-based robotics as a tool for synthesis of artificial behavior and analysis of natural behavior. [Review]. Trends in Cognitive Sciences, 2(3), 82-87.
  10. ↑ ۱۰٫۰ ۱۰٫۱ Rucci, M., Bullock, D., & Santini, F. (2007). Integrating robotics and neuroscience: brains for robots, bodies for brains. [Article]. Advanced Robotics, 21(10), 1115-1129.
  11. ↑ ۱۱٫۰ ۱۱٫۱ Cox, B. R., & Krichmar, J. L. (2009). Neuromodulation as a Robot Controller A Brain-Inspired Strategy for Controlling Autonomous Robots. [Article]. IEEE Robotics & Automation Magazine, 16(3), 72-80. doi:10.1109/mra.2009.933628
  12. ↑ Rucci, M., Edelman, G. M. and Wray, J. (1999). Adaptation of orienting behavior: from the barn owl to a robotic system [Article]. IEEE Transactions on Robotics and Automation, 15(1), 96-110.
  13. ↑ Hasselmo, M. E., Hay, J., Ilyn, M., and Gorchetchnikov, A. (2002). Neuromodulation, theta rhythm and rat spatial navigation. Neural Netw 15, 689-707.
  14. ↑ Krichmar, J. L., and Edelman, G. M. (2002). Machine Psychology: Autonomous Behavior, Perceptual Categorization, and Conditioning in a Brain-Based Device. Cerebral Cortex 12, 818-830.
  15. ↑ Doya, K., and Uchibe, E. (2005). The Cyber Rodent Project: Exploration of Adaptive Mechanisms for Self-Preservation and Self-Reproduction. Adaptive Behavior 13, 149 - 160.
  16. ↑ Santini, F, and Rucci, M. (2007). Active estimation of distance in a robotic system that replicates human eye movements Journal of Robotics and Autonomous Systems, 55, 107-121.
  17. ↑ Kuang, K., Gibson, M., Shi, B. E., Rucci, M. (2012). Active vision during coordinated head/eye movements in a humanoid robot, IEEE Transactions on Robotics, 99, 1-8.
  18. ↑ DeMarse, T. B., Wagenaar, D. A., Blau, A. W. and Potter, S. M. (2001). "The Neurally Controlled Animat: Biological Brains Acting with Simulated Bodies." Autonomous Robots 11: 305-310.
  19. ↑ Warwick, K. (2010). Implications and consequences of robots with biological brains. [Article]. Ethics and Information Technology, 12(3), 223-234. doi:10.1007/s10676-010-9218-6
  20. ↑ "IOS Press Ebooks - Brains on Wheels: Theoretical and Ethical Issues in Bio-Robotics". ebooks.iospress.nl. Retrieved 2018-11-14.
  21. ↑ Bach-y-Rita, P. (1999). Theoretical aspects of sensory substitution and of neurotransmission-related reorganization in spinal cord injury. [Review]. Spinal Cord, 37(7), 465-474.

لینک های خارجی[ویرایش]

برگرفته از «https://fa.wikipedia.org/w/index.php?title=پیش‌نویس:نوروروباتیک(Neurorobotics)&oldid=28481847»