Une réunion internationale sur les neurobots et le bénéfice économique

Les neurorobots se sont révélés utiles pour étudier la locomotion animale et la gestion des moteurs électriques, ainsi que pour concevoir des contrôleurs de robot. Des modèles neuronaux de générateurs de motifs clés, des piscines de motorneurones qui poussent une conduite répétitive, sont déjà utilisés pour gérer la locomotion chez les robots. Kimura et ses collègues ont démontré comment la neurorobotique peut fournir une connexion entre la neuroscience et la biomécanique en présentant une locomotion émergente à 4 pattes basée sur des composants de générateur de routine de base modulés par des réflexes. Leur classe a développé un style de générateur électrique de routine apprenable et a démontré sa viabilité en utilisant une série de bons exemples robotiques artificiels et humanoïdes. Ijspeert et ses collègues ont construit un robot amphibie en forme de salamandre qui peut effectuer les deux patins et se promener, et montre ainsi une période vitale dans l’avancement de la locomotion à jambes de vertébrés. Une exécution neurorobotique a été jugée nécessaire pour (1) évaluer si les versions pouvaient créer une locomotion à la fois dans l’eau potable et dans le sol et (2) examiner comment les commentaires sensoriels ont un effet sur la génération de design dynamique. Une des idées neuronales intrigantes pour le style des contrôleurs de robot est le processus neuronal de correspondance trouvé chez les primates. Regarder les neurones en verre à l’intérieur du cortex prémoteur sont vivants, à la fois chaque fois qu’un singe saisit ou manipule des choses et lorsqu’il regarde un autre chien effectuer des mesures très similaires (Rizzolatti et Arbib, 1998). Les neuroroboticistes, utilisant cette perception des neurones en miroir, ont proposé que des mouvements complexes tels que l’atteinte et la locomotion puissent être obtenus par faux. Un appareil basé sur le cerveau humain avec un hippocampe simulé et ses environs. Darwin XI est représenté sur la raison de la décision pour son paramètre de labyrinthe supplémentaire. Darwin XI a commencé une démo alternativement du côté est ou du bras de départ à l’ouest, et a utilisé ses moustaches artificielles pour passer par le bras du labyrinthe jusqu’à ce qu’il arrive finalement au point de décision. Parce qu’il suivait la structure du mur du labyrinthe, ses moustaches détectaient des styles de chevilles, son appareil photo numérique détectait des cartes de repère de couleur autour de la frontière, sa boussole offrait un cap, ainsi que son faisceau laser fournissait des détails de collection. Au départ de l’éducation, séminaire Deauville Darwin XI a reçu un stimulus satisfaisant lorsqu’il a sélectionné le bras cible Sud. Juste après avoir correctement découvert ce processus, le stimulus gratifiant a été changé vers le bras objectif Nord. Modifié de (Fleischer et al., 2007). Une autre stratégie pour la gestion des unités motrices dans les robots à inspiration neurale consiste à appliquer un contrôle prédictif pour transformer les mouvements maladroits et vulnérables aux erreurs en mouvements fluides et précis. Des idées récentes de gestion du moteur affirment que le cervelet découvre pour commuter des réflexes primitifs avec des signaux moteurs prédictifs. Le concept est que les résultats des directions de moteur électrique réflexives fournissent des indicateurs de défaut pour obtenir un contrôle prédictif, qui à son tour comprend pour faire une commande de moteur électrique appropriée indiquer avant la réponse réflexe beaucoup moins adaptative. Les conceptions à motivation neuronale incluent l’application de ces suggestions dans le style de robots qui apprennent à prévenir les obstacles (McKinstry et al., 2006; Porr et Worgotter, 2003), produisent une vision précise (Dean et al., 1991) et génèrent des mouvements adaptatifs du bras gauche (Dean et al., 1991; Eskiizmirliler et al., 2002; Hofstotter et al., 2002). Body 1 révèle un produit basé sur la tête, qui contient un modèle du cervelet et de la place corticale MT, qui a réussi à prédire les accidents en fonction des signaux visuels du mouvement et a ajusté ses actions en conséquence.