利用脉冲神经网络关联拓扑设计仿生机器人行为
机器人学
2015-09-25 v2 人工智能
神经与进化计算
摘要
本研究探索使用脉冲神经元简单电路与脉冲时序依赖可塑性(Spike Timing Dependent Plasticity, STDP)作为关联与无监督学习机制，来设计和控制智能体及机器人的行为。基于“奖励与惩罚”经典条件作用，证明了这些机器人学会了识别并避开障碍物，以及识别并寻找奖励性刺激。利用模拟与编程环境 NetLogo，开发了一个积分发放(Integrate and Fire)模型的软件引擎，使我们能以离散时间步监测所提神经网络中每个单一神经元、突触与脉冲的动力学。这些脉冲神经网络(spiking neural networks, SNN)作为实验机器人的简单大脑。Lego Mindstorms 机器人套件被用于模拟智能体的具身化。本文给出了拓扑构建模块以及复现实验所需的神经参数。本文总结了所得行为以及观测到的神经电路动力学。NetLogo 代码的网络链接包含在附录中。
引用
@article{arxiv.1509.07035,
title = {Designing Behaviour in Bio-inspired Robots Using Associative Topologies of Spiking-Neural-Networks},
author = {Cristian Jimenez-Romero and David Sousa-Rodrigues and Jeffrey H. Johnson},
journal= {arXiv preprint arXiv:1509.07035},
year = {2015}
}
备注
Paper submitted to the BICT 2015 Conference in New York City, United States