动物多模态感知信息自适应综合及其与运动机制发生间关系的研究

基于生物学原理的智能控制系统是当前国际上一个非常流行的研究领域.自从神经生物学实验发现了基于脉冲时刻的触突可塑性(STDP)作为大脑重要的学习机制以来,STDP算法已成为机器学习等跨学科的研究热点并开始得到较广泛的应用.然而,众多涉及STDP算法的大脑模型仅局限于研究某一区域神经元活动,而将STDP算法和动物行为级的学习算法相结合,得到行为级模型的研究尚不多见.本课题根据有关STDP学习规则的最新成果,研究全新的基于神经电路的有足动物感官信号与运动模式的关系,构建一个新颖的动物认知与行为控制系统.该系统采用模块化设计思想,系统子模块包括感官信号早期处理、多模态信号综合与决策、中心模式发生器的控制等.STDP学习规则存在于几个主要的子模块中,并与行为级学习算法相互作用,使受控机器人可以在较复杂的环境中行走,从而为动态范围仅为毫秒量级的STDP对秒量级的行为动态的影响提供理论解释.

高等动物具有自适应综合其多感官信号并由此进行对外部环境进行判断,从而驱动其运动系统作出相应反应的能力. 由于该过程经过了动物大脑的智能信息处理, 因此构成了一个高等级,有条件的神经系统对外部世界的映射和反应, 故已成为国际学术界, 尤其是计算神经科学的最新研究课题. 由国家自然科学基金委员会资助的面上项目, 多模态感知信息自适应综合及其与运动机制发生间关系的研究, 着眼于用由纳米芯片控制的智能机器人技术对高等动物具有的这一智能生命现象进行初步仿真复制, 期望构建一个智能化的机器人平台以初步模拟高等动物大脑的智能控制机制, 以及测试机器学习理论中的相关理论...经过三年的研究工作, 目前本项目基本按照原项目计划书及二次年度进展报告完成了预定的研究目标. 根据预定目标, 本项目规划主要分为二个部分, 即具有多模态信息处理能力的初步智能化机器人设计和Izhikevich型脉冲神经元网络的信息处理的研究. 在第一部分, 对多足机器人信息融合的研究子课题中, 项目组对进一步细分的三个子模块, 即运动控制模块,感官信息处理模块和信号融合于决策模块, 进行了深入研究. 项目组已经成功测试了全部三块分别实现上述三个子模块功能的, 由项目负责人独立研制的超大规模集成电路芯片, 均取得了良好的测试效果, 测试结果与设计目标基本相符, 部分测试结果已经在国际期刊和国际会议发表, 尚有部分测试结果仍在分析整理中. 与此同时, 在四足机器人平台上进行的三个模块的综合工作也取得了初步结果. 我们已经观察到, 基于Isotropic Sequence Order Learning (ISO) 学习算法的信号融合于决策模块芯片能够对来自红外与激光传感器的感官脉冲串信号进行综合理解, 并形成了有效的对外部世界的学习认知, 达到了基本准确地管理触觉控制系统运动的目标. 在第二部分, 对Izhikevich型脉冲神经元网络的模型与算法的研究子课题中, 项目组利用van Rossum距离尺对网络中的神经元群间的信息距离进行了测量, 发现了二个重要规律: 1. 不同刺激强度的输入信号会导致不同的神经元群. 2. 由不同刺激强度的输入信号导致的神经元群间的van Rossum距离不变.