CN102193518B - 基于基底神经节的fpga仿生智能控制芯片 - Google Patents
基于基底神经节的fpga仿生智能控制芯片 Download PDFInfo
- Publication number
- CN102193518B CN102193518B CN 201110123345 CN201110123345A CN102193518B CN 102193518 B CN102193518 B CN 102193518B CN 201110123345 CN201110123345 CN 201110123345 CN 201110123345 A CN201110123345 A CN 201110123345A CN 102193518 B CN102193518 B CN 102193518B
- Authority
- CN
- China
- Prior art keywords
- module
- output
- links
- signal
- spike
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 210000004227 basal ganglia Anatomy 0.000 title claims abstract description 64
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims abstract description 56
- 210000001905 globus pallidus Anatomy 0.000 claims abstract description 20
- 210000004281 subthalamic nucleus Anatomy 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 41
- 238000012421 spiking Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002401 inhibitory effect Effects 0.000 description 5
- 238000013456 study Methods 0.000 description 5
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 208000003098 Ganglion Cysts Diseases 0.000 description 2
- 208000005400 Synovial Cyst Diseases 0.000 description 2
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 229960003692 gamma aminobutyric acid Drugs 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 239000002858 neurotransmitter agent Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OGNSCSPNOLGXSM-UHFFFAOYSA-N (+/-)-DABA Natural products NCCC(N)C(O)=O OGNSCSPNOLGXSM-UHFFFAOYSA-N 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010001497 Agitation Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 102000015554 Dopamine receptor Human genes 0.000 description 1
- 108050004812 Dopamine receptor Proteins 0.000 description 1
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 229930195712 glutamate Natural products 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 210000003715 limbic system Anatomy 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- NKAAEMMYHLFEFN-UHFFFAOYSA-M monosodium tartrate Chemical compound [Na+].OC(=O)C(O)C(O)C([O-])=O NKAAEMMYHLFEFN-UHFFFAOYSA-M 0.000 description 1
- 210000001577 neostriatum Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于基底神经节的现场可编程逻辑门阵列(FPGA)仿生智能控制芯片,该芯片采用自下而上的模块化设计,通过FPGA上的加法器、乘法器以及移位寄存器搭建尖峰神经元模块,然后由尖峰神经元和突触构成纹状体SD1、SD2、底丘脑核STN、苍白球外核GPe和苍白球内核GPi五个核团模块,再由核团构成通道,进而构成整个基底神经节。该芯片体积小巧,集成度高,可靠性强,可用于要求较高场合的机器人行为选择控制。
Description
技术领域
本发明属于仿生智能控制芯片技术,特别是一种基于基底神经节的现场可编程逻辑门阵列(FPGA)仿生智能控制的芯片。
背景技术
随着机器人研究向着智能化方向发展,当前该领域的许多研究工作,如机器蛇、机器鱼、机器狗AIBO的研制,都受到了生物学的启发。然而,这类研究通常是对生物形体的仿生,而对智能的中枢——大脑关注较少。近年来的生物学研究成果表明:大脑皮层下一群神经核团——基底神经节在脊椎动物的行为控制过程中扮演着重要角色。因此,对基底神经节在行为选择、行为学习过程中所起的作用加以定性、定量的研究,将会为机器人学研究提供新的思路。
生物学研究成果表明基底神经节主要包括:纹状体(Striatum),苍白球(globuspallidus,GP)和底丘脑核(subthalamic nucleus,STN)。其中苍白球GP又分为两部分:苍白球内核(globus pallidus internal,GPi)和苍白球外核(globus pallidus externalsegment,GPe)。这些核团受不同强度的激励后会输出不同频率的生物电脉冲信号,并且它们相互之间有着广泛的联系,共同协调和控制人以及其它脊椎动物的运动。其中,纹状体是基底神经节主要的输入性核团,它接受来自几乎整个大脑皮层,脑干的许多区域以及边缘系统的神经输入。按照多巴胺受体的不同,纹状体中的神经元可分为SD1~SD5型,以SD1、SD2型为主。多巴胺会兴奋SD1型神经元而抑制SD2型神经元。SD1型神经元投射于苍白球内核GPi,而SD2型神经元投射于苍白球外核GPe,两者都是通过释放出抑制型神经递质γ-氨基丁酸(GABA)对目标核团起抑制作用。苍白球内核GPi是基底神经节的主要输出核团之一,它受到纹状体中SD1型神经元的抑制作用,同时还受到底丘脑核STN的激励作用。而苍白球外核GPe受到来自纹状体中SD2型神经元的抑制作用,并且它本身也抑制着底丘脑核STN。底丘脑核STN是基底神经节中主要的兴奋性核团,释放出的激励型神经递质谷氨酸会作用于基底神经节的输出核团:苍白球内核GPi;同时它本身也受到来自皮层的激励性输入以及来自苍白球外核GPe的抑制性输入。上述所有的核团又是由若干个突触和神经元组成的,神经元与神经元之间通过突触相连。突触的连接强度会随着神经元释放的生物电脉冲频率的变化而变化:生物电脉冲频率越高,突触连接强度越大,两个神经元连接也越紧密。
基于上述生物作用机理,国外研究者提出了几种不同的基底神经节模型,最具影响力的当属Albin等人提出的直接-间接通道模型(DIPM),该模型能够成功地解释帕金森病的作用机理。随后Gumey等人对DIPM进行了改进,提出了选择-控制通道模型(SCPM),该模型考虑了多巴胺神经元在行为选择过程中的作用和影响。此外,Humphries等人在SCPM基础上提出了其扩展模型。但上述这些研究都是通过软件方法实现基底神经节的功能,并没有将其硬件化。
近年来神经网络的硬件实现也受到国内外研究者的关注。例如,Weinstein等人针对传统的基于软件实现的神经网络在复杂度增加时出现的实时性和精确度性能下降,探讨了如何用FPGA实现高性能的神经网络;Cassidy等人用FPGA实现了尖峰神经网络,试图在实时性、精度、柔性以及可靠性等指标上取得比传统方法更好的性能;Maguire等人分析了用FPGA实现大规模的尖峰神经元网络所面临的技术挑战。此外,Li,Fearghal等人也进行了神经网络的硬件实现等相关研究。但是,这些研究都只对普通神经网络的FPGA实现进行了分析,而不是针对基底神经节这一重要的行为选择机构。
发明内容
本发明在于提供一种基于基底神经节的现场可编程逻辑门阵列(FPGA)仿生智能控制芯片,该芯片体积小巧、方便使用,能够作为行为选择控制器。
实现本发明的技术解决方案为:一种基于基底神经节的FPGA仿生智能控制芯片,将串口接收模块、计算通道输入模块、基底神经节模块、统计模块、存储器模块、平均频率计算模块、比较模块、串口发送模块用硬件描述语言Verilog HDL编程并集成到一片FPGA中,即串口接收模块和外部的传感器相连,计算通道输入模块和串口接收模块相连,基底神经节模块和计算通道输入模块相连,统计模块和基底神经节模块相连,存储器模块和统计模块相连,平均频率计算模块和存储器模块相连,比较模块和平均频率计算模块相连,串口发送模块和比较模块相连,外部的执行机构和串口发送模块相连,执行输出的行为选择信号;
所述的串口接收模块接收外部传感器的数据信号并将其发送至计算通道输入模块,计算通道输入模块根据行为重要性计算出基底神经节模块输入参数,基底神经节模块输出尖峰脉冲信号;统计模块对尖峰脉冲信号进行计数,若检测到尖峰脉冲则将内部计数器的值加1;若没有检测到尖峰脉冲,则计数器的值维持不变,计数器的值每发生变化都将存储器模块中的数据同步跟新;平均频率计算模块则计算过去时间t内基底神经节模块输出的尖峰脉冲频率:平均频率计算模块读取存储器模块中尖峰脉冲统计数据,记作P1,同时启动FPGA片内定时器,当定时器周期到,平均频率计算模块再次读取存储器模块中尖峰脉冲统计数据,记作P2;尖峰脉冲输出的平均频率为P2-P1/t,比较模块接收平均频率计算模块统计的尖峰脉冲频率,比较频率的大小,频率最大的那一路即被选中,该路对应的行为代码被送至串口发送模块,该串口发送模块随即发送行为选择代码给外部执行机构执行。
本发明与现有技术相比,其显著优点为:(1)传统的基于基底神经节的行为选择控制都是通过计算机软件编程实现的,本发明将所有功能其固化在一片体积微小的芯片中,与现有的技术相比,不仅缩小了系统体积,简化了电路连接,增强了系统稳定性,而且大大缩短了开发周期,方便工程技术人员使用。(2)FPGA具有硬件可编程能力,在外部电路固定的情况下可以编程更改FPGA的内部逻辑结构以适合不同的需要,具有一定的灵活性。(3)利用现有的生物学研究结果,通过FPGA片上的加法器、存储器和移位寄存器连接成神经元模块、突触模块,进而构成核团模块、通道以及整个基底神经节来实现行为选择控制功能。
下面结合附图对本发明进一步详细描述。
附图说明
图1是本发明基于基底神经节的FPGA仿生智能控制芯片的整体结构图。
图2是基底神经节模块的结构图。
图3是基底神经节通道的结构图。
图4是核团模块的工作原理图。
图5是突触模块的工作原理图。
图6是神经元模块的工作原理图。
具体实施方式
结合图1,本发明基于基底神经节的FPGA仿生智能控制芯片,将串口接收模块1、计算通道输入模块2、基底神经节模块3、统计模块4、存储器模块5、平均频率计算模块6、比较模块7、串口发送模块8用硬件描述语言Verilog HDL编程并集成到一片FPGA中,即串口接收模块1和外部的传感器相连,计算通道输入模块2和串口接收模块1相连,基底神经节模块3和计算通道输入模块2相连,统计模块4和基底神经节模块3相连,存储器模块5和统计模块4相连,平均频率计算模块6和存储器模块5相连,比较模块7和平均频率计算模块6相连,串口发送模块8和比较模块7相连,外部的执行机构和串口发送模块8相连,执行输出的行为选择信号。其工作过程如下:所述的串口接收模块1接收外部传感器的数据信号并将其发送至计算通道输入模块2,计算通道输入模块2根据行为重要性计算出基底神经节模块3输入参数,基底神经节模块3输出尖峰脉冲信号;统计模块4对尖峰脉冲信号进行计数,若检测到尖峰脉冲则将内部计数器的值加1;若没有检测到尖峰脉冲,则计数器的值维持不变,计数器的值每发生变化都将存储器模块5中的数据同步跟新;平均频率计算模块6则计算过去一段时间t内基底神经节模块3输出的尖峰脉冲频率:平均频率计算模块6读取存储器模块5中尖峰脉冲统计数据,记作P1,同时启动FPGA片内定时器,当定时器周期到,平均频率计算模块6再次读取存储器模块5中尖峰脉冲统计数据,记作P2;尖峰脉冲输出的平均频率为(P2-P1)/t,比较模块7接收平均频率计算模块6统计的尖峰脉冲频率,比较频率的大小,频率最大的那一路即被选中,该路对应的行为代码被送至串口发送模块8,该串口发送模块8随即发送行为选择代码给外部执行机构执行。
串口接收模块1、计算通道输入模块2、基底神经节模块3、统计模块4、存储器模块5、平均频率计算模块6、比较模块7、串口发送模块8中除了基底神经节模块3作了创新设计,其他模块均为现有技术。串口接收模块1和传感器(如机器人等外部)以及计算通道输入模块相连,它负责接收传感器信号,并将其传送给计算通道输入模块2。计算通道输入模块2和串口接收模块1以及基底神经节模块3相连。它根据传感器采集的信号,计算三个事件的重要性参数(S1、S2、S3),并将三个事件的重要性参数传送给基底神经节作为三个通道的输入。通道重要性参数采用如下公式计算:
式中p为传感采集的数据信号,m1在0至1范围内随着时间线性增长,并且当S3代表的行为被选择执行后m1清零。基底神经节模块3和计算通道输入模块2以及统计模块4相连。它接收三个通道的重要性参数,输出三路频率范围从10HZ到60HZ的尖峰脉冲信号供统计模块计数。串口发送模块8和比较模块7以及外围执行机构相连,其波特率配置在203400,它发送比较模块7选中的行为代码,给执行机构执行。
结合图2,整个基底神经节模块3由三个通道构成,每个通道均和各自的通道输入信号以及时钟信号、复位信号相连,三个通道均输出GPi尖峰脉冲,通道间相互作用由STN尖峰信号相连。每个通道的输入和系统时钟信号、复位信号、计算通道输入模块2以及其它通道中STN模块33的输出相连。各通道最终输出由GPi模块35产生的尖峰脉冲。三个通道相互作用机理是:若某一个通道的GPi模块35输出的尖峰脉冲频率高,则该通道的STN模块33输出的尖峰脉冲频率高,另外两个通道检测到第一个通道STN模块33输出的高频率尖峰脉冲,则会降低本通道的GPi模块35尖峰脉冲频率。
根据上述基底神经节模块3三个通道的构成,本芯片的工作原理是:串口接收模块1接收外部传感器的数据信号并将其发送至计算通道输入模块2,计算通道输入模块2根据行为重要性参数计算公式
计算出基底神经节模块3三个通道的输入参数基底神经节模块3输出三路频率范围从10HZ到60HZ的尖峰脉冲信号。统计模块4对三路尖峰脉冲信号进行计数,若检测到尖峰脉冲则将内部计数器的值加1;若没有检测到尖峰脉冲,则计数器的值维持不变。计数器的值每发生变化都将存储器模块5中的数据同步跟新。平均频率计算模块6则计算过去一段时间(根据需要选取,如10-500ms)内基底神经节输出的尖峰脉冲频率:它读取存储器中尖峰脉冲统计数据,记作P1,同时启动FPGA片内10-500ms定时器,当定时器周期到,平均频率计算模块再次读取存储器中尖峰脉冲统计数据,记作P2。尖峰脉冲输出的平均频率为(P2-P1)/0.1。比较模块7接收平均频率计算模块统计的三路尖峰脉冲频率,比较这三个频率的大小,频率最大的那一路即被选中,该路对应的行为代码(01或02或03)被送至串口发送模块8。
结合图3,基底神经节通道主要由SD1模块31、SD2模块32、STN模块33、GPe模块34和GPi35模块组成。SD1模块31、SD2模块32分别对应着生物学中纹状体SD1型和SD2型神经元,STN模块33对应着底丘脑核,GPe模块34对应着苍白球外核,GPi模块35对应着苍白球内核。按照背景技术中介绍的生物界中基底神经节各核团相互作用机理,各模块之间的连接关系为:SD1模块31的输出和GPi模块35输入相连;SD2模块32的输出和GPe模块34的输入相连;STN模块33的输入和GPe模块34的输出相连,STN模块33的输出和GPe模块34输入以及GPi模块35输入相连,并且STN模块33的输出作为整个通道的输出一;GPe模块34的输入和另外两个通道的STN模块33以及本通道的SD2模块32、STN模块33输出相连,GPe模块34的输出与本通道的STN模块33以及GPi模块35的输入相连;GPi模块35的输入与SD1模块31、STN模块33以及GPe模块34的输入相连,输出GPi尖峰脉冲作为整个通道的输出二(除了特别说明是其他通道,均为本通道)。基底神经节通道的工作原理是:SD1模块31对GPi模块35,SD2模块32对GPe模块34均有抑制作用--SD1模块31输出的尖峰脉冲频率上升,GPi模块35输出的尖峰脉冲频率下降;SD2模块32输出的尖峰脉冲频率上升,GPe模块34输出的尖峰脉冲频率下降。STN模块33对GPe模块34、GPi模块35有激励作用--STN模块33输出的尖峰脉冲频率上升,GPe模块34、GPi模块35输出的尖峰脉冲频率上升。同时GPe模块34对STN模块33又有反向抑制作用,GPe模块34输出的尖峰脉冲频率上升,则STN模块33输出的尖峰脉冲频率下降。
结合图4,为核团模块(SD1模块31,SD2模块32,STN模块33,GPe模块34,GPi模块35)的工作原理。所述的STN模块(33)、GPe模块(34)以及GPi模块(35)均由突触模块(331)和神经元模块(332)构成,SD1模块(31)、SD2模块(32)由神经元模块(332)构成,具体为:SD1模块31和SD2模块32均由两个神经元模块332构成,没有突触模块331;STN模块33由一个突触模块331和两个神经元模块332构成;GPe模块34由四个突触模块331和两个神经元模块332构成;GPi模块35由五个突触模块331和两个神经元模块332。突触模块331的输入端作为输入信号端,突触模块331输出和输入端一起连接到加法器的两个输入端,该加法器的输出信号I和神经元模块332的输入相连,该神经元模块332的输出连接到另一个加法器的输入端,该另一个加法器的输出作为整个核团模块的输出。核团模块的工作原理是:突触模块331根据输入尖峰脉冲的频率不同输出不同的权值;神经元模块332在不同权值和不同频率的尖峰脉冲激励下,改变自身输出的尖峰脉冲的频率。
结合图5,为突触模块331的工作原理。突触模块331由控制模块3311、RAM存储器模块3312以及使能模块3313构成。时钟信号、复位信号以及尖峰脉冲信号和控制模块3311的输入端相连,控制模块3311输出地址信号、读写控制信号,以及时钟信号、复位信号同时和RAM存储器模块3312的输入端相连,控制模块3311输出的使能信号以及RAM存储器模块3312输出的数据信号和使能模块3313的输入端相连。使能模块3313的输出信号为整个突触模块的输出。在生物界中,如果突触发现相邻两个生物电脉冲的时间间隔过大,则其引起突触连接强度变小。突触模块3311就是按照这一原理设计的:控制模块3311监测连续两次输入的尖峰脉冲信号,第一次检测到尖峰脉冲信号的时刻记作Tpre,第二次检测到尖峰脉冲信号的时刻记作Tpost,以先后两次接收到的尖峰脉冲时间间隔Tpost-Tpre+50作为查表的地址,到RAM存储器中读取相应的权值数据(代表生物界中的突触连接强度)。所用的权值地址表如下:
权值地址表
当RAM存储器模块3312读取数据完毕后,控制模块3311输出高电平使能信号,使能模块3313输出权值数据。
结合图6,为神经元模块332的实现电路。单个神经元模块332由5个16位×16位的乘法器、3个加法器以及5个移位寄存器组成。神经元模块332采用了Izhikevich尖峰神经元模型,该模型的数学表达式如下:
公式中v为神经元的膜电位,u为中间变量,I为神经元模块332的输入。由Izhikevich尖峰神经元模型数学表达式设计了以下的连接方式:每个神经元模块332均由FPGA片上的5个乘法器和3个加法器以及5个移位寄存器搭成,由v代表输出尖峰脉冲信号,其中,信号v连接第一乘法器33201的两个输入端,该第一乘法器33201输出32位的运算结果ResultV,ResultV的高16位数据和常数41连接第二乘法器33202的两个输入端,该第二乘法器33202输出运算结果ResultH,ResultV的低16位数据和常数41连接第三乘法器33203的两个输入端,该第三乘法器33203输出运算结果ResultL,ResultH和ResultL连接第一加法器33204的两个输入端,该第一加法器33204输出运算结果ResultS,ResultS和第一移位寄存器33205的输入端相连,该第一移位寄存器33205将其右移18位后输出运算结果ResultLR;信号v和常数2253连接第四乘法器33206的两个输入端,该第四乘法器33206输出运算结果ResultM,ResultM和第二移位寄存器33207的输入端相连,该第二移位寄存器33207将其右移10位后输出运算结果ResultMR,输入信号(即突触模块331中的加法器的输出信号I)和第三移位寄存器33208的输入端相连,该第三移位寄存器33208将其左移8位后输出运算结果IL,ResultLR、IL、常数26624、中间变量u、ResultMR均和第二加法器33209的输入端相连,该第二加法器33209输出运算结果dv/dt;中间变量u和常数41与第五乘法器33210的两个输入端相连,该第五乘法器33210输出运算结果ResultU,ResultU和第四移位寄存器33211的输入端相连,该第四移位寄存器33211将其右移11位后输出运算结果ResultMU;信号v连接第五移位寄存器33212的输入端,该第五移位寄存器33212将其右移8位后得到运算结果VR,ResultMU、VR、常数368一起和第三加法器33213的输入端相连,该第三加法器33213输出运算结果du/dt。在生物界中,神经元会因受到不同强度的激励输出不同频率的生物电脉冲信号。神经元模块332就是按这一原理设计的:突触模块331的输出和核团输入信号共同构成了神经元的输入激励信号I,神经元电路按公式计算当前神经元膜电位v的值,当膜电位v高于定值(由公式可知该定值为30720)时,神经元模块332的v输出一个尖峰脉冲。
以下结合实施例对本发明作进一步的描述:
【实施例】
本实施例用基于基底神经节的FPGA仿生智能控制芯片对Lego NXT机器人进行行为控制。该机器人装备超声波测距传感器,并有两个电机及扩音器。FPGA芯片采用Xilinx公司生产的XC5VLX110T。设计机器人的三个行为分别是漫游(wander),避障(avoid),玩(play)。漫游行为负责机器人在试验场景中任意行走,避障行为负责躲避障碍物,玩的行为负责每隔一定的时间让机器人“玩”——转圈并播放音乐。试验规则是机器人不能碰撞障碍物,因此,三个行为在机器人运行过程中的重要性是不断变化的。机器人必须根据事件的轻重缓急做出正确的决策。
具体实施步骤如下:
1、FPGA芯片和机器人超声波传感器之间采用串行通信方式。串口接收模块1将距离信息输送给计算通道输入模块2,计算通道输入模块2利用距离信息,根据行为重要性公式计算出漫游,避障,玩三个行为的重要性。行为重要性公式如下所示:
其中Pobstacle表示机器人对障碍物的感知,当超声传感器测量的距离小于某一个安全距离时,pobstacle为1,否则为0;mboring为机器人内部状态,随着时间的增大,mboring增大,机器人执行玩的行为之后,mboring被重置为0。运算结果——三个行为重要性参数Swander,Saovid和Splay的数值被送给基底神经节3。基底神经节输出三路尖峰脉冲,经过统计、存储、计算、比较后输出一个最小的值,该值对应的行为即被选中。串口发送模块8随即将行为选择信息发送给相应的执行机构。
2、由于只设计了三种行为,所以基底神经节内配置三个功能相似的通道。每个行为的重要性参数作为一个通道的输入,三个通道中GPi模块35的尖峰脉冲输出作为整个基底神经节的三路输出。
3、基底神经节的每个通道都配置有SD1模块31、SD2模块32、STN模块33、GPe模块34和GPi模块35五个核团模块。五个核团模块的连接关系如图3所示。接收到行为重要性参数后,计算核团输入模块按基底神经节的选择-控制通道模型算出每个核团的输入。STN模块33和GPi模块35的尖峰脉冲输出作为这一通道的输出。其中STN模块33输出作用于其它通道,GPi模块35输出用于作为行为选择的依据。
4、设计每一个核团模块:
1)SD1模块31、SD2模块32不受其它核团模块的作用,结构最为简单。它们每个模块中配置有两个神经元模块332,没有配置突触模块331。
2)STN模块33受通道内内GPe模块34的作用,因此配置有一个突触模块331和两个神经元模块332。
3)GPe模块34受通道内SD2模块32、STN模块33,以及其它两个通道的STN模块的作用,所以一共配置了四个突触模块331和两个神经元模块332。
4)GPi模块35受通道内SD1模块31、STN模块33、GPe模块34以及其它两通道的STN模块作用,所以一共配置了五个突触模块331和两个神经元模块332。
由于受硬件条件限制,所以每个核团模块都只配置了两个神经元模块332,共实现了2×5×3=30个尖峰神经元。突触模块和神经元之间采用全连接的方式,所以相当于实现了2×2×(0+0+1+4+5)×3=120个突触。
5、突触模块332RAM中的权值采用如下的公式计算得到:
其中ALTP=0.1,ALTD=0.15,tpre为突触控制模块检测到前一个尖峰脉冲的时刻,tpos为突触控制模块检测到后一个尖峰脉冲的时刻。如果相邻两个尖峰脉冲的时间间隔过大,则其引起的突触强度变化值较小,因此只在tpost-tpre∈-50ms,50ms的时间窗口内计算δw,以tpost-tpre+50(使其大于等于0)作为查找表的地址。突触控制模块检测其它核团模块发送过来的相邻两个尖峰脉冲的时间,算出权值地址,查表得到权值,待一切都处理完毕后,控制模块发送使能信号,输出权值。
6、根据图6,搭建尖峰神经元电路模块。
本实施例将基底神经节的功能集成到一片FPGA中,用于机器人的行为控制,减小了控制器体积,通用性好、实时性强、控制精度高,能满足较高的控制需求。
Claims (4)
1.一种基于基底神经节的FPGA仿生智能控制芯片,其特征在于将串口接收模块(1)、计算通道输入模块(2)、基底神经节模块(3)、统计模块(4)、存储器模块(5)、平均频率计算模块(6)、比较模块(7)、串口发送模块(8)用硬件描述语言Verilog HDL编程并集成到一片FPGA中,即串口接收模块(1)和外部的传感器相连,计算通道输入模块(2)和串口接收模块(1)相连,基底神经节模块(3)和计算通道输入模块(2)相连,统计模块(4)和基底神经节模块(3)相连,存储器模块(5)和统计模块(4)相连,平均频率计算模块(6)和存储器模块(5)相连,比较模块(7)和平均频率计算模块(6)相连,串口发送模块(8)和比较模块(7)相连,外部的执行机构和串口发送模块(8)相连,执行输出的行为选择信号;
所述的串口接收模块(1)接收外部传感器的数据信号并将其发送至计算通道输入模块(2),计算通道输入模块(2)根据行为重要性计算出基底神经节模块(3)输入参数,基底神经节模块(3)输出尖峰脉冲信号;统计模块(4)对尖峰脉冲信号进行计数,若检测到尖峰脉冲则将内部计数器的值加1;若没有检测到尖峰脉冲,则计数器的值维持不变,计数器的值每发生变化都将存储器模块(5)中的数据同步更新;平均频率计算模块(6)则计算过去时间t内基底神经节模块(3)输出的尖峰脉冲频率:平均频率计算模块(6)读取存储器模块(5)中尖峰脉冲统计数据,记作P1,同时启动FPGA片内定时器,当定时器周期到,平均频率计算模块(6)再次读取存储器模块(5)中尖峰脉冲统计数据,记作P2;尖峰脉冲输出的平均频率为(P2-P1)/t,比较模块(7)接收平均频率计算模块(6)统计的尖峰脉冲频率,比较频率的大小,频率最大的那一路即被选中,该路对应的行为代码被送至串口发送模块(8),该串口发送模块(8)随即发送行为选择代码给外部执行机构执行;
所述的基底神经节模块(3)由三个通道构成,每个通道均和各自的通道输入信号以及时钟信号、复位信号相连,三个通道均输出GPi尖峰脉冲,通道间相互作用由STN尖峰信号相连,GPi代表苍白球内核,STN代表底丘脑核;
所述的通道由SD1模块(31)、SD2模块(32)、STN模块(33)、GPe模块(34)以及GPi模块(35)构成,各模块之间的连接关系为:SD1模块(31)的输出和GPi模块(35)输入相连;SD2模块(32)的输出和GPe模块(34)的输入相连;STN模块(33)的输入和GPe模块(34)的输出相连,STN模块(33)的输出和GPe模块(34)输入以及GPi模块(35)输入相连,并且STN模块(33)的输出作为整个通道的输出 一;GPe模块(34)的输入和另外两个通道的STN模块(33)以及本通道的SD2模块(32)、STN模块(33)输出相连,GPe模块(34)的输出与本通道的STN模块(33)以及GPi模块(35)的输入相连;GPi模块(35)的输入与SD1模块(31)、STN模块(33)以及GPe模块(34)的输入相连,输出GPi尖峰脉冲作为整个通道的输出二,SD1模块(31)、SD2模块(32)分别对应着生物学中纹状体SD1型和SD2型神经元,STN模块(33)对应着底丘脑核,GPe模块(34)对应着苍白球外核,GPi模块(35)对应着苍白球内核。
2.根据权利要求1所述的基于基底神经节的FPGA仿生智能控制芯片,其特征在于所述的STN模块(33)、GPe模块(34)以及GPi模块(35)均由突触模块(331)和神经元模块(332)构成,SD1模块(31)、SD2模块(32)由神经元模块(332)构成,突触模块(331)的输入端作为输入信号端,突触模块(331)输出和输入端一起连接到加法器的两个输入端,该加法器的输出信号I和神经元模块(332)的输入相连,该神经元模块(332)的输出连接到另一个加法器的输入端,该另一个加法器的输出作为整个核团模块的输出。
3.根据权利要求2所述的基于基底神经节的FPGA仿生智能控制芯片,其特征在于所述的突触模块(331)由控制模块(3311)、RAM存储器模块(3312)以及使能模块(3313)构成,时钟信号、复位信号以及尖峰脉冲信号和控制模块(3311)的输入端相连,该控制模块(3311)输出地址信号、读写控制信号,以及时钟信号、复位信号同时和RAM存储器模块(3312)的输入端相连,控制模块(3311)输出的使能信号以及RAM存储器模块(3312)输出的数据信号和使能模块(3313)的输入端相连,该使能模块(3313)的输出信号为整个突触模块(331)的输出,该突触模块(331)根据先后两次接收到的尖峰脉冲时间间隔tpost-tpre+50作为查找表的地址,其中第一次检测到尖峰脉冲信号的时刻记作tpre,第二次检测到尖峰脉冲信号的时刻记作tpost,到RAM表中读取相应的权值作为突触模块(331)的输出,其采用的权值地址表如下:
权值地址表
4.根据权利要求2所述的基于基底神经节的FPGA仿生智能控制芯片,其特征在于所述的神经元模块(332)采用Izhikevich尖峰神经元模型,Izhikevich尖峰神经元模型如下所示:
每个神经元模块(332)均由FPGA片上的5个乘法器和3个加法器以及5个移位寄存器搭成,由v代表输出尖峰脉冲信号,其中,信号v连接第一乘法器(33201)的两个输入端,该第一乘法器(33201)输出32位的运算结果ResultV,ResultV的高16位数据和常数41连接第二乘法器(33202)的两个输入端,该第二乘法器(33202)输出运算结果ResultH,ResultV的低16位数据和常数41连接第三乘法器(33203)的两个输入端,该第三乘法器(33203)输出运算结果ResultL,ResultH和ResultL连接第一加法器(33204)的两个输入端,该第一加法器(33204)输出运算结果ResultS,ResultS和第一移位寄存器(33205)的输入端相连,该第一移位寄存器(33205)将其右移18位后输出运算结果ResultLR;信号v和常数2253连接第四乘法器(33206)的两个输入端,该第四乘法器(33206)输出运算结果ResultM,ResultM和第二移位寄存器(33207) 的输入端相连,该第二移位寄存器(33207)将其右移10位后输出运算结果ResultMR,输入信号和第三移位寄存器(33208)的输入端相连,该第三移位寄存器(33208)将其左移8位后输出运算结果IL,ResultLR、IL、常数26624、中间变量u、ResultMR均和第二加法器(33209)的输入端相连,该第二加法器(33209)输出运算结果dv/dt;中间变量u和常数41与第五乘法器(33210)的两个输入端相连,该第五乘法器(33210)输出运算结果ResultU,ResultU和第四移位寄存器(33211)的输入端相连,该第四移位寄存器(33211)将其右移11位后输出运算结果ResultMU;信号v连接第五移位寄存器(33212)的输入端,该第五移位寄存器(33212)将其右移8位后得到运算结果VR,ResultMU、VR、常数368一起和第三加法器(33213)的输入端相连,该第三加法器(33213)输出运算结果du/dt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110123345 CN102193518B (zh) | 2011-05-13 | 2011-05-13 | 基于基底神经节的fpga仿生智能控制芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110123345 CN102193518B (zh) | 2011-05-13 | 2011-05-13 | 基于基底神经节的fpga仿生智能控制芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102193518A CN102193518A (zh) | 2011-09-21 |
CN102193518B true CN102193518B (zh) | 2013-04-24 |
Family
ID=44601730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110123345 Expired - Fee Related CN102193518B (zh) | 2011-05-13 | 2011-05-13 | 基于基底神经节的fpga仿生智能控制芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102193518B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101912165B1 (ko) * | 2011-12-09 | 2018-10-29 | 삼성전자주식회사 | 스파이킹 뉴런 기반 작업 기억 장치 |
US9367797B2 (en) * | 2012-02-08 | 2016-06-14 | Jason Frank Hunzinger | Methods and apparatus for spiking neural computation |
US9159020B2 (en) | 2012-09-14 | 2015-10-13 | International Business Machines Corporation | Multiplexing physical neurons to optimize power and area |
US8990130B2 (en) | 2012-11-21 | 2015-03-24 | International Business Machines Corporation | Consolidating multiple neurosynaptic cores into one memory |
CN103691058B (zh) * | 2013-12-10 | 2015-10-28 | 天津大学 | 帕金森病基底核-丘脑网络的深度脑刺激fpga实验平台 |
US9852006B2 (en) | 2014-03-28 | 2017-12-26 | International Business Machines Corporation | Consolidating multiple neurosynaptic core circuits into one reconfigurable memory block maintaining neuronal information for the core circuits |
CN104375878A (zh) * | 2014-11-24 | 2015-02-25 | 天津大学 | 弱电磁刺激调制海马网络节律的fpga仿真系统 |
CN105139071B (zh) * | 2015-07-27 | 2017-10-17 | 清华大学 | 一种以现场可编程门阵列的逻辑片为基本单元模拟生物神经元网络的方法 |
CN105426957B (zh) * | 2015-11-06 | 2017-09-29 | 兰州理工大学 | 一种电磁辐射下的神经元电活动模拟器 |
KR102565273B1 (ko) * | 2016-01-26 | 2023-08-09 | 삼성전자주식회사 | 뉴럴 네트워크에 기초한 인식 장치 및 뉴럴 네트워크의 학습 방법 |
CN111310893B (zh) * | 2016-08-05 | 2023-11-21 | 中科寒武纪科技股份有限公司 | 一种用于执行神经网络运算的装置及方法 |
CN106407568A (zh) * | 2016-10-26 | 2017-02-15 | 天津大学 | 结合有限元分析的帕金森状态下基底核刺激实时仿真平台 |
US10922608B2 (en) * | 2017-03-08 | 2021-02-16 | Arm Ltd | Spiking neural network |
CN108805289B (zh) * | 2018-05-08 | 2020-11-13 | 南京理工大学 | 一种基于基底神经节的电机故障诊断方法 |
CN111082709A (zh) * | 2019-12-18 | 2020-04-28 | 南京理工大学 | 基于基底神经节的电消隙控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007022204A2 (en) * | 2005-08-15 | 2007-02-22 | Massachusetts Institute Of Technology | Computer-implemented model of the central nervous system |
CN101770221B (zh) * | 2008-12-30 | 2012-01-04 | 中国科学院自动化研究所 | 基于现场总线的双臂巡线机器人控制系统 |
-
2011
- 2011-05-13 CN CN 201110123345 patent/CN102193518B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102193518A (zh) | 2011-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102193518B (zh) | 基于基底神经节的fpga仿生智能控制芯片 | |
CN100471465C (zh) | 鼠的听觉、视觉记忆模型及智能化行为检测系统 | |
CN100471466C (zh) | 鼠的空间记忆保持模型的智能化行为检测系统 | |
CN104112066B (zh) | 基于fpga的癫痫状态闭环控制实验平台 | |
CN106548190A (zh) | 模型训练方法和设备以及数据识别方法 | |
CN104689473B (zh) | 基于fpga的电刺激下神经元随机响应及共振实验平台 | |
CN106779151A (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN105894379A (zh) | 金融产品交易策略的生成系统和生成方法 | |
TW201539335A (zh) | 實現神經網路處理器 | |
CN106491083A (zh) | 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用 | |
CN101669130A (zh) | 计算节点和包含动态纳米器件连接的计算节点网络 | |
Antonietti et al. | Model-driven analysis of eyeblink classical conditioning reveals the underlying structure of cerebellar plasticity and neuronal activity | |
Wang et al. | Classification of nutrient deficiency in rice based on CNN model with Reinforcement Learning augmentation | |
CN100477970C (zh) | 鼠的路径训练模型及智能化行为检测系统 | |
Koppert et al. | Dynamics of collective multi-stability in models of multi-unit neuronal systems | |
Tung et al. | Falcon: neural fuzzy control and decision systems using FKP and PFKP clustering algorithms | |
Ge et al. | An autonomous teaching-learning based optimization algorithm for single objective global optimization | |
US20230166397A1 (en) | Method for obstacle avoidance in degraded environments of robots based on intrinsic plasticity of snn | |
Dasanayake et al. | Constrained charge-balanced minimum-power controls for spiking neuron oscillators | |
Maitra et al. | An adaptive neural fuzzy inference system for prediction of student performance in higher education | |
CN105845001B (zh) | 基于fpga的多电极阵列仿真实验平台 | |
US20220172812A1 (en) | PK/PD Prediction Using an Ode-Based Neural Network System | |
CN105279978B (zh) | 交叉口交通信号控制方法和设备 | |
Chatzipaschalis et al. | Parkinson's treatment emulation using asynchronous cellular neural networks | |
CN103472729B (zh) | 群智的农药废液焚烧炉有害物排放达标控制系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130424 |