机器人手册.第3卷：机器人应用_441-510.docxVIP

388第7篇以人为中心和类生命机器人

了这样可能的结果:有些神经元擅长适应性行为?比如避障、向前运动和电池检测?而另外的一些机器人却表现出更复杂的激发模式?机器人不同的激发模式取决于它们的初始方向是正对着光源的还是背对着光源的(见图61.18)?在机器人正对光源的情况下?机器人环境和路线的激发模式反射区是主要依据它们探测环境和返航过程中获得的?比如?机器人去往充电区的轨迹从来没有越过在充电区的活化地图上清晰可见的两个门?当机器人背对光源时?机器人的轨迹却与充电区有梯度的正交现象?这种梯度变化其实指示了机器人和充电区的实际距离?有趣的是?这些不同的运动模式没有明显地受到电池电量的影响?

图61.18一个内部神经元的激发等级

（与亮度成正比）

神经元的这个功能使我们想起了关于鼠脑中海马体的经典发现:大脑里的一些神经元(现在知道是位置细胞)在环境中某些特定区域会变得活跃[61.71]?另外?在演化机器人上测得的特定定位模型的神经活化让我们想起了在鼠脑中海马体上的那些所谓的前方向细胞?这些细胞在位置细胞附近?当海马体的头对着一个环境地标时这些前向细胞就活跃起来了[61.72]?虽然机器人的大脑和生物体的大脑不能作太表面的类比?但这些实验结果依然表明了这两个组织确实有功能上相似的神经策略?而这样处理这种情况的策略可能会比没有依赖环境再现策略更为有效(环境再现只对像随机运动、趋光运动和航位推测法这样的反应性策略有效)?

61.6.2脉冲神经元

大多数生物神经元通过一个被称为“脉冲”的

自动传输电信号进行通信?但从信息理论的角度来看?脉冲序列中信息如何编码现在还不是很清楚?现在人们普遍接受的类神经网络模型认为神经元的放电速率是关键因素?放电速率指的是在一个相对较长的时间窗内(比如100ms以内)神经元的平均脉冲数量?另外一种假设则关注在一个给定的位置一个小的神经元群体包含的脉冲数量?在这些模型中?一个人造神经元的实值输出代表着一个放电速率?以尽可能规范相对可得最大值?相反?脉冲模型基于放电时间的假设?即每次放电的精确时间可能包含着重要的信息?脉冲神经元模型在突出和膜集成方面有比较复杂的动力学?具体复杂度主要依据某个模型关心的是什么、类神经网络模型和脉冲神经元被用来做什么?

但是?设计一个能够实现预设功能的放电神经元电路仍然是一项具有挑战性的工作?在机器人领域?到现在为止最成功的应用集中在初次信息处理和相对简单的运动控制?尽管有这些成功实现?但现在还没有放电电路能够通过在一个实际环境中的自主信息交互来实现最简单的认知功能和学习行为能力?

人工进化描绘了一种很有前途的方法?能够产生特定功能的放电电路的网格?这些进化的网格接着被测试?以用来检测机器人用了何种交流形态?这些交流形态和我们观察到的机器人行为之间有什么联系?

Floreano和他的同事用基于视觉的机器人演化了一个全连通的脉冲神经元网络?这些机器人的活动区域是一个把白色墙壁喷成了大小不同黑色色带的方形区域(见图61.19)?实验用的是Khepera机器人?机器人装配有一个视觉转台?转台是由能够生成36°视角的一个灰度感光器线性阵列组成?一组局部色度对比检测过滤器的输出值在放电时被转化(对比度越强?每秒脉冲数量就越多)并发给了十个全连通的脉冲神经元?这些神经元通过脉冲反应模型执行动作[61.79]?这些神经元的子集的脉冲序列转化成了运动命令(每秒脉冲越多?车轮的转动就越快)?适应度函数是在两分钟内测得的机器人前向转移的数量?因此?那些经常在原地转弯或撞墙的机器人比那些走直线只在躲避墙时转弯的机器人的适应度低?这些机器人的基因组是一个已编码的代表着神经元和突触连接存在性的比特串?如果突触有关联就设置为1且在机器人的整个生命周期是不能改变的?

机器人演化了大约20代?可靠稳定地发现了非常健壮的脉冲控制器(实际机器人大约需要30h的演化)?演化的机器人能躲避墙壁和其他任何在它前面的物体?通过对那些最稳定的演化机器人进行具体的研究分析?研究者发现神经元没有利用放电时间差

第61章演化机器人389

图61.19一个脉冲神经元网络在使用基于