神经机器人学

神经机器人学是对神经科学，机器人技术和人工智能的综合研究，是体现自主神经系统的科学技术。神经系统包括灵感来自脑的算法（例如连接主义网络），生物神经网络的计算模型（例如人工尖刺神经网络，神经微电路的大规模仿真）以及实际的生物系统（例如体内和体外神经网络）。这样的神经系统可以体现在具有机械或任何其他形式的物理致动的机器中。这包括机器人，假肢或可穿戴系统，还包括较小规模的微型机器，以及较大规模的家具和基础设施。

神经机器人学是神经科学与机器人技术的一个分支，致力于研究和实现诸如大脑启发算法之类的自主神经系统的科学和技术。神经机器人学的核心思想是将大脑具体化，并将身体嵌入环境中。因此，与模拟环境相反，大多数神经机器人都需要在现实世界中发挥作用。[1]

除了机器人启发的算法以外，神经机器人学也可能涉及到大脑控制的机器人系统的设计。[2] [3] [4]



内容
1 引言
2 神经机器人模型的主要类别
2.1 运动和运动控制
2.2 学习和记忆系统
2.3 行动选择和价值体系
2.4 感官知觉
3 生物机器人
4 对神经科学的影响
5 参考

介绍
神经机器人学代表了智力研究的两个前沿方法。神经科学试图通过研究智能生物系统来辨别智能的组成及其作用方式，而对人工智能的研究则试图通过非生物或人工手段来重建智能。神经机器人学是两者的重叠部分，其中生物学启发的理论在接地的环境中进行了测试，并采用了该模型的物理实现。神经机器人及其模型的成败可以为反驳或支持该理论提供证据，并为以后的研究提供见识。

神经机器人模型的主要类别
根据机器人的用途，神经机器人可以分为各种主要类别。每个班级的目的都是实现一种特定的学习兴趣机制。神经机器人的常见类型是用于研究运动控制，记忆，动作选择和感知的机器人。

运动和运动控制
神经机器人通常用于研究电机反馈和控制系统，并已证明其在机器人开发控制器中的优点。运动是由许多关于运动系统动作的神经学启发的理论模拟的。运动控制已使用模型或中央模式生成器（能够驱动重复行为的神经元团）进行模仿，以制造四足步行机器人。[5]其他小组已将将基本控制系统组合为简单的自治系统的层次结构集的思想扩展了。这些系统可以通过这些基本子集的组合来制定复杂的运动。[6]这种运动作用理论是基于皮质柱的组织，该皮质柱从简单的感觉输入逐渐整合到复杂的传入信号中，或者从复杂的运动程序逐渐整合到传入信号中每根肌肉纤维的简单控件上，从而形成相似的层次结构。

运动控制的另一种方法是使用学习到的错误校正和预测控制来形成一种模拟的肌肉记忆。在此模型中，笨拙，随机和容易出错的运动已得到纠正，以使用错误反馈随着时间推移产生平稳，准确的运动。控制器通过预测错误来学习创建正确的控制信号。利用这些思想，设计了可以学习产生适应性手臂运动[7]或避免在路线中遇到障碍的机器人。

学习和记忆系统
设计用于测试动物记忆系统理论的机器人。当前，许多研究都在研究老鼠的记忆系统，尤其是老鼠海马，该记忆系统处理位置细胞，该细胞向已知的特定位置发射。[8] [9]以老鼠海马为模型的系统通常能够学习环境心理图，包括识别地标并将行为与它们相关联，从而使它们能够预测即将到来的障碍和地标。[9]

另一项研究基于提出的谷仓猫头鹰学习范式生产了一种机器人，该机器人主要基于听觉以及视觉刺激进行定向和定位。假设的方法涉及突触可塑性和神经调节，[10]主要是化学作用，其中奖励多巴胺或5-羟色胺等神经递质会影响神经元的放电敏感度[11]。研究中使用的机器人充分匹配了谷仓猫头鹰的行为。[12]此外，运动输出和听觉反馈之间的紧密相互作用在学习过程中被证明是至关重要的，支持了许多学习模型中涉及的主动感知理论。[10]

这些研究中的神经机器人具有简单的迷宫或学习模式。呈现给神经机器人的一些问题包括符号，颜色或其他图案的识别以及基于该图案执行简单的动作。在谷仓猫头鹰模拟的情况下，机器人必须确定其位置和方向才能在其环境中导航。

行动选择和价值体系
动作选择研究涉及对动作及其结果的负或正加权。神经机器人可以并且曾经被用来研究*简单的*道德互动，例如经典思想实验，其中人的数量超过了救生筏所能容纳的人数，因此有人必须离开船上以保存其余部分。但是，在动作选择研究中使用的更多神经机器人与更简单的说服（例如自我保护或研究中机器人群体的永存）相抗衡。这些神经机器人是在突触的神经调节后以刺激具有阳性结果的回路为模型的。[11] [13]在生物系统中，多巴胺或乙酰胆碱等神经递质会积极增强有益的神经信号。对这种相互作用的一项研究涉及机器人达尔文VII，该机器人使用视觉，听觉和模拟的味觉输入来“食用”导电金属块。任意选择的好块上有条纹，坏块上有圆形。通过块的电导率模拟味觉。机器人根据其导电性水平对口味有正反馈和负反馈。研究人员观察了机器人，以了解其如何根据输入的信息来学习其动作选择行为。[14]其他研究使用了一群小型机器人，它们靠散布在房间里的电池为食，并将其发现传达给其他机器人。[15]

感官知觉
神经机器人也已用于研究感官知觉，特别是视觉。这些主要是由于将感觉途径的神经模型嵌入自动机而产生的系统。这种方法可以暴露在行为过程中发生的感觉信号，还可以更实际地评估神经模型的鲁棒程度。众所周知，由运动活动产生的感觉信号的变化提供了有机体广泛使用的有用的感知线索。例如，研究人员利用人头和眼睛运动复制过程中出现的深度信息来建立视觉场景的可靠再现。[16] [17]

生物机器人
生物机器人不是正式的神经机器人，因为它们不是受神经学启发的AI系统，而是连接到机器人的实际神经元组织。这利用培养的神经网络来研究大脑发育或神经相互作用。这些通常由在多电极阵列（MEA）上培养的神经培养物组成，它既可以记录神经活动又可以刺激组织。在某些情况下，MEA连接到一台计算机，该计算机为大脑组织提供模拟环境，并将脑部活动转化为模拟中的动作，并提供感觉反馈。[18]记录神经活动的能力为研究人员提供了进入大脑的窗口，尽管这很简单，他们可以用来了解神经机器人所使用的许多相同问题。

生物机器人关注的领域是伦理。关于如何对待这样的实验，提出了许多问题。似乎最重要的问题是意识的问题，以及老鼠的大脑是否经历过它。该讨论归结为意识是什么的许多理论。[19] [20]
参见Hybrot，意识。

对神经科学的启示
神经科学家受益于神经机器人学，因为它提供了一块空白的板块，可以在可控和可测试的环境中测试大脑功能的各种可能方法。此外，尽管机器人是它们所模拟的系统的简化版本，但它们更加具体，可以对当前问题进行更直接的测试。[10]它们还具有可以随时访问的好处，而在动物活动时监视甚至大脑的很大一部分要困难得多，更不用说单个神经元了。

随着神经科学学科的发展，从药物到神经康复，出现了许多神经治疗方法。[21]进步取决于对大脑及其功能的复杂理解。由于与颅骨手术有关的危险，很难研究大脑，尤其是在人类中。因此，使用技术填补可测试对象的空白至关重要。 神经机器人恰好做到了这一点，从而改善了在神经过程研究中可以执行的测试和实验的范围。

另见
Brain–computer interface
参考
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.
Vannucci, L.; Ambrosano, A.; Cauli, N.; Albanese, U.; Falotico, E.; Ulbrich, S.; Pfotzer, L.; Hinkel, G.; Denninger, O.; Peppicelli, D.; Guyot, L.; Arnim, A. Von; Deser, S.; Maier, P.; Dillman, R.; Klinker, G.; Levi, P.; Knoll, A.; Gewaltig, M. O.; Laschi, C. (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.
"Brain - Supported Learning Algorithms for Robots" (PDF). Retrieved 9 April 2017.
"A Basic 神经机器人学 Platform Using the Neurosky Mindwave". Ern Arrowsmith. 2 October 2012. Retrieved 9 April 2017.
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.
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.
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.
O'Keefe, J., and Nadel, L. (1978). The 海马 as a cognitive map (Oxford: Clarendon Press).
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.
Rucci, M., Bullock, D., & Santini, F. (2007). Integrating robotics and neuroscience: brains for robots, bodies for brains. [Article]. Advanced Robotics, 21(10), 1115-1129.
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
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.
Hasselmo, M. E., Hay, J., Ilyn, M., and Gorchetchnikov, A. (2002). Neuromodulation, θ rhythm and rat spatial navigation. Neural Netw 15, 689-707.
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.
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.
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.
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.
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.
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
"IOS Press Ebooks - Brains on Wheels: Theoretical and Ethical Issues in Bio-Robotics". ebooks.iospress.nl. Retrieved 2018-11-14.
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.