JP5175218B2 - 予測的運動制御のための小脳モデルを有する頭脳ベース・デバイス - Google Patents
予測的運動制御のための小脳モデルを有する頭脳ベース・デバイス Download PDFInfo
- Publication number
- JP5175218B2 JP5175218B2 JP2008548838A JP2008548838A JP5175218B2 JP 5175218 B2 JP5175218 B2 JP 5175218B2 JP 2008548838 A JP2008548838 A JP 2008548838A JP 2008548838 A JP2008548838 A JP 2008548838A JP 5175218 B2 JP5175218 B2 JP 5175218B2
- Authority
- JP
- Japan
- Prior art keywords
- brain
- based device
- synaptic
- motor
- dcn
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本出願は、35U.S.C 119(e)の下で、Jeffrey L.McKinstry他による「A Cerebellar Model for Predictive Motor Control Tested in a Brain−Based Device」と題する、2005年12月28日出願の、米国特許仮出願第60/754,229号(代理人整理番号第NSRF−01009US0号)に基づく優先権を主張するものであり、その出願は引用により本明細書に組み入れられる。
(著作権表示)
本特許書類の開示の一部は、著作権保護の対象となる題材を含んでいる。著作権者は、本特許書類又は本特許開示が米国特許商標庁の特許ファイル又は記録において公開されたときに、本特許書類又は本特許開示の何人による複製に対しても異議を申し立てないが、それ以外はいかなるものであれ一切の著作権を留保する。
シナプス強度は、シナプス前、シナプス後、及び下オリーブ(IO)活性に依存するシナプス・ルールによる修正を受ける。神経単位活性の変化の詳細及びパラメータの詳細は後述されるが、次式はこれらの詳細に基づくものである。
によって与えられ、ここでci,jは単位jから単位iまでの結合強度であり、si(t)はシナプス後単位の活性であり、IOi(t)は単位iに対応する下オリーブ単位の活性であり、ηは一定の学習率であり、traceeligibility(t)はシナプスjの適格性追跡である。後述する適格性追跡は、所与の時間にわたる特定のシナプスにおける効力の変化量を決定する。この学習ルールは、PC及びDCNシナプスにおける増強と低下の両方をサポートする。ηが負(例えばPN→PCシナプスにおいて)のとき、学習ルールは、下オリーブ(IO)が基準の発火頻度を上回って活性であるときに低下を誘発し、下オリーブ(IO)が基準を下回るときに増強を誘発する。この学習ルールは、下オリーブ(IO)からのエラーが存在しないときに学習した応答の消去をサポートする。
ここで、s(t)はシナプスへのシナプス前入力であり、σ=0.15であり、Δは前のシミュレーション・サイクルからの時間のずれである。シナプス前入力が閾値を超えたとき、シナプスは設定遅延後に変更に対して適格となり、その時点で、適格性は指数的に低下する。後述するBBD10の学習段階における遅延は、異なる遅延時間の影響を調べるために変化させる。調べた遅延時間は、0、2、4及び8秒である。
すでに示されたように、視覚情報は、30フレーム毎秒で画像を捉える一般的に16で示すカメラによってBBD10に供給される。視覚前処理の詳細な説明は後述される。本発明のトレーニング/テストの実施例では、赤−オレンジ色の存在に応答する疑似神経システム12の神経単位が、視覚入力をシステム12に供給する(図2の視覚入力)。
BBD10の動作は、速度(メートル/秒)及び回転速度(度/秒)コマンドによって制御される。所与の回転速度において、回転半径は速度の関数となる、即ち、速度がゼロでの回転速度はその場でのBBD10の回転を生じ、高速度における同じ回転速度は広範囲の回転を生じる。BBD10の回転速度は、Motor−Turn36の活性に基づいて設定することができる(図2参照)(例えばBBD10の左側の活性は右への回転を生じる)。Motor−Turn36の活性は、下オリーブを介する(図2のIO−Turn→Motor−Turn)IR入力(IR−Turn)によって、及び、小脳を介する(図2のDCN−Turn→Motor−Turn)視覚入力(Visual Input)によって影響される。BBD10の速度は、Motor−Velo領域38の活性に基づいて制御される。運動活性がないとき、速度は最大値1.25メートル/秒に設定される。次に、Motor−Velo領域は、障害物の信号を送る一般的に16で示されるIR検出器の数に基づいてBBD10を減速させる、即ち、より多くのIR検出器16が活性化されると、速度はより遅くなる。Motor−Velo38の活性は、下オリーブを介するIR−Velo入力(図2のIO−Velo→Motor−Velo)によって、及び、小脳を介する(図2のDCN−Velo→Motor−Velo)視覚入力(Visual Input)によって影響される。
疑似神経システム12の神経シミュレーションは、ベオウルフ・クラスタ上で実行されるが、これは前述のようにBBD10に搭載され、Linuxオペレーティング・システムを実行する6つの2.4GHz Pentium IVコンピュータを含む。疑似神経システム12の各々のシミュレーションの間、感覚入力が処理され、すべての神経単位の状態が計算され、すべての可塑性結合の結合強度が決定され、運動出力が生成される。各々のシミュレーション・サイクルの実行は、およそ40ミリ秒の実時間を必要とするが、これは、この特定の実施形態のクラスタの計算能力によって制限される。より短いサイクル時間が好ましいが、40ミリ秒のサイクル時間は、一般的に16で示されるカメラの30Hzフレーム速度に十分に近い。各々のシミュレーション・サイクルの間、疑似神経システム12のすべての神経活性とBBDの状態は、BBD10上のディスク・ドライブ(図示せず)のハードディスク上に保存することができる。本発明を実施するのに用いることができるベオウルフ・クラスタのようなマルチプロセッサ・コンピュータ・アーキテクチャを有する頭脳ベース・デバイスに関するさらなる詳細については、本発明の譲受人に譲渡され共通の発明者を含み、引用によりここに組み入れられる、2005年11月24日に公開された、米国特許公開第2005/0261803A1号を参照することができる。
この表S1は、図2の疑似神経システム12内の神経単位の特性を定義するパラメータの値を示す。領域Red、Ver、Hor、DirUp、DirDown、DirLeft、及びDirRightは入力領域であり、それらの活性は図1Aの一般的に16で示されるカメラからの映像に基づく。IO−Turn及びIO−Veloは入力領域であり、それらの活動は、一般的に16で示されるIR近接検出器に基づく。表S1は、各々の領域又はサブ領域内の神経単位の数(サイズ)を示す。各々の領域内の神経単位は、特定の発火閾値(σ−発火)、それよりも上では電圧依存結合が効果をもち得る閾値(σ−vdep)、及び持続性パラメータ(ω)を有する。
この表S2は、疑似神経システム12における解剖学的投射及び結合タイプの特性を示す。シナプス前神経単位は、所与の確率(p)及び所与の投射形状(Arbor)でシナプス後神経単位に結合する。この樹枝状分岐形状は、高さと幅をもつ長方形の「ブロック[h,w]」、シナプス前及びシナプス後神経単位の任意の対が結合する所与の確率を有する非局所的「nontopo」、又は、シナプス前受容野からシナプス後受容野への1対1投射が存在する「一致」とすることができ、これらの結合は、すべての結合したシナプス前単位が発火閾値を超えて活性である場合にのみ、シナプス後単位に対する影響をもつ。最初の結合強度cij(0)は、最小値及び最大値[min,max]によって与えられる範囲内で一様な分布でランダムに設定される。cij(0)の負の値は抑制性結合を示す。結合タイプは、電圧非依存(VI)又は電圧依存(VD)とすることができる。学習率ηのゼロでない値は可塑性結合を意味し、ηの正の値はシナプス増強を示し、ηの負の値はシナプス低下を示す。
頭脳ベース・デバイス(BBD)10の疑似神経システム12内の神経単位は、平均発火頻度モデルと、両方ともに神経領域内及び間にあって、電圧非依存性又は電圧依存性のいずれか及び可塑性又は非可塑性のいずれかに設定される神経単位間のシナプス結合とによってシミュレートされる。電圧非依存結合は、シナプス後状態に関係なくシナプス入力を供給する。電圧依存結合は、活性化するのにシナプス後脱分極を必要とし、神経動力学において調節の役割を果たす傾向がある、受容体型(例えばNMDA受容体)の寄与を表す。
(6)
であり、ここでsj(t)は神経単位jの活性であり、cijは神経単位jから神経単位iへの結合強度である。神経単位iに対する電圧非依存のシナプス後影響、
は、神経単位iへのすべての入力を合計することによって計算され、
(7)
ここでNは、神経単位iに投射する異なる解剖学的に定義された結合タイプ(表S2参照)からとすることができる結合の数である。神経単位jから神経単位iへの電圧依存入力は、
であり、ここで
は、それより下では電圧依存結合の影響がないシナプス後活性の閾値である(表S1参照)。
ここでωは1つのサイクルから次のサイクルへの神経単位の活性の持続性を決定し、giはスケール因子であり、
は、神経単位の比発火閾値である。神経単位に関する比パラメータ値は表S1に与えられており、シナプス結合は表S2において指定されている。
シナプス強度は、シナプス前、シナプス後、及び下オリーブ(IO)活性に依存するシナプス・ルールによる変更を受ける。微細スケールのシナプス結合に関する比パラメータ設定値は、以下の式及び表S2において与えられる。
によって与えられ、ここでsi(t)はシナプス後単位の活性であり、tracej(t)はシナプスjの適格性追跡であり、IOi(t)は神経単位iに対応する下オリーブIO単位の活性であり、ηは一定の学習率である。学習ルールは、平行線維−プルキンエ細胞(PC)シナプスにおける増強と低下の両方をサポートする。この機構は、下オリーブIOが基準の発火頻度を上回って活性であるときに低下を誘発し、下オリーブIOが基準の発火頻度を下回るときに増強を誘発する。この学習ルールは、下オリーブIOからのエラーが存在しないときに学習した応答の消去をサポートする。
ここで、s(t)はシナプスへのシナプス前入力であり、σ=0.15であり、Δは前のシミュレーション・サイクルからの時間のずれである。これは、シナプス前入力が閾値を超えたときに、シナプスが設定遅延後の変更に対して適格となり、その時点で、適格性は指数的に低下することを意味する。遅延は、後述するように、異なる遅延時間の影響を調べるために変化させた。調べた遅延時間は、0、2、4及び8秒であった。
BBD10の学習段階の前
1.時刻0において、視覚入力(視覚入力及び皮質領域MT)が、PN→DCN及びPN→PCシナプスを閾値を超えて活性化する。
a.これらの閾値を超えたシナプスは、搭載コンピュータ・クラスタの遅延バッファに入れられる。
b.DCN活性は、運動応答を引き起こすのに十分には強くない。
2.BBD10が障害物に当たってから4秒後
a.4秒間又はそれ以上にわたって遅延バッファに入れられたシナプスが、ここでシナプス変化に対して適格となる。
b.下オリーブIOからのエラー信号が発生する。
c.適格PN→DCN及びPN→PCシナプスがIO活性により変化する。
d.IO→DCN結合は、障害物から離れる運動応答を引き起こすのに十分に強い。
学習段階の後及びテスト段階の間
1.時刻0において、視覚入力はPN→DCN及びPN→PCシナプスを閾値を超えて活性化する。
a.これらの閾値を上回るシナプスは、遅延バッファに入れられる。
b.前のシナプス変化のために、DCN活性がここで運動応答を引き起こす。
c.BBD10が、衝突が起こる充分前に障害物から方向転換する。
2.BBD10が何の障害物にも当たらなかった4秒後
a.IOからのエラー信号は発生しない。
b.さらなるシナプス変化は起こらない。
視覚及び動作処理
一実施形態において、一般的に16で示される、30フレーム毎秒で640×480ピクセル画像を捉えるSony IEEE1394CCDカメラによって、視覚情報がBBD10に供給される。未加工の感覚ピクセル・データは、輝度とカラー・チャネル(YUV色空間)に分離される。輝度情報が、赤、緑、青、黄、ピンク及び紫に対する一組のカラー検出器に送られる。色に基づく物体認識を促進するために、UV色空間上の各々の色に関するコンピュータ・クラスタのルックアップ・テーブルを用いることによって色が認識される。カラー・テーブル内の値は、その特定の色に属する特定のUV座標の確率とみなすことができる。本発明のトレーニング及びテスト段階においては、赤色検出器のみが用いられ、これは図1A、図1Bに示された運動作業コースを定めるコーンの色に調整される。赤色検出器は神経シミュレーションに入れられる(表S1及び表S2における赤)。
ここでdij(x,y)は、方向選択神経単位(x,y)の活性であり、iは左に対して−1に設定され、右に対して+1に設定され、jは下に対して−1に設定され、上に対して+1に設定された。Streak(t,x,y)は、時刻tにおけるストリーク神経単位(x,y)であり、sはスピード又はピクセル・オフセットである。
図7A−図7Bは、一般的に16で示されるIR近接検出器から下オリーブIOエラー信号及びBBD10の運動システムへのマッピングを示す。一般的に16で示されるIR近接検出器又はセンサ・アレイは、BBD10の前を横切る11個のセンサの列として配置される。図7Aに示されるように、マッピングはIRセンサから回転コマンドまでである。IR信号は、回転エラー(IO−Turn)に関する下オリーブIO信号に直接マッピングされ、これが回転コマンド(Motor−Turn)に関する運動野上にマッピングされる。BBD10の中央に向かうIR信号は、正面衝突に近いという信号を送って、障害物からの急激な方向転換を生じ、一方、BBD10上の側部に向うIR信号は、障害物からのより緩やかな方向転換を生じる。図7Aに示されていないのは、深小脳核DCNから運動野への投射(DCN→Motor−Turn)である(これらは図2に示されている)。
ここでIRmaxは、全てのIR検出器16のうちの最大値であり、iは1から11までの範囲の指数であり、IRnumは、閾値を超えたIR検出器の数である(図7参照)。
BBD10の動作は、速度(メートル/秒)及び回転速度(度/秒)コマンドによって制御される。所与の回転速度において、回転半径は速度の関数である、即ち、速度ゼロにおける回転速度はBBD10のその場での回転を生じ、高速度における同じ回転速度は幅広の回転を生じる。
運動学習は、図1A及び図1Bに示されるように、一組のオレンジの交通コーンによって定められた種々の「S」字湾曲コースに対して評価される。この作業に対するプラットフォームは、入力として、全て一般的に16で示される、カメラ、レーザ距離計、及び赤外近接検出器を有するように変更されたSegway Robotic Mobility Platform(RMP)である。BBD10の疑似神経システム12は、表S1に示されるように、28の神経領域と、27,688の神経単位と、およそ160万のシナプス結合とを含む。内蔵ベオウルフ・コンピュータ・クラスタを用いると、各々のシミュレーション・サイクルにおいてモデル内のすべての神経単位および可塑性結合を更新するのに約40msの実時間がかかる。
Claims (12)
- 頭脳ベース・デバイスであって、
実世界環境における頭脳ベース・デバイスの移動を可能にする機構と、
前記機構を制御して前記頭脳ベース・デバイスを前記実世界環境において移動させるため、前記実世界環境と相互作用する疑似神経システムとを備え、
前記疑似神経システムは、シナプスを有する小脳のモデルを含み、前記シナプスの接続強度は、前記モデルが前記機構の運動制御を予測することが可能となる閾値を超えた特定のシナプスの活性化から所与の時間間隔の後でのみ修正され、さらに、
実世界学習モードの間、
a)時刻t 0 において、前記頭脳ベース・デバイスへの視覚入力は、前記小脳モデルの特定のシナプスをある閾値よりも上に活性化させ、前記特定のシナプスは遅延バッファにストアされるが、前記小脳モデルの活性は前記機構を制御する運動応答を引き起こすほどは強くなく、
b)時刻t 0 の後の時刻t 1 までは、前記バッファにストアされた前記特定のシナプスはシナプス変化がされることが回避され、
c)時刻t 1 において、前記バッファにストアされた前記特定のシナプスはシナプス変化がされることが許可され、前記頭脳ベース・デバイスの前記移動経路内の障害物に応答してエラー信号が生成されるとき、このエラー信号に応答して前記特定のシナプスのシナプス可塑性変化が起こり、そして、シナプス結合が前記機構の運動制御を引き起こすのに十分に強くなって、前記頭脳ベース・デバイスを前記障害物から離れるように動かすことを生じさせる、ことを特徴とする頭脳ベース・デバイス。 - 前記頭脳ベース・デバイスは、該デバイスの移動経路内の障害物を予測するために、実世界学習モード及び実世界学習後モードを有する、請求項1に記載の頭脳ベース・デバイス。
- 前記学習後モードの間、
a)時刻t0において、前記頭脳ベース・デバイスへの視覚入力が特定のシナプスをある閾値よりも上に活性化させ、前記特定のシナプスは遅延バッファにストアされ、前記小脳の活性が運動制御応答を引き起こし、そして、前記実世界学習モード中に起こるシナプス変化に起因して、前記頭脳ベース・デバイスが衝突しないようにその経路内の障害物を避けるようにし、
b)時刻t0の後の一定時間の間、エラー信号は生成されず、かつ、付加的なシナプス変化は起こらない、請求項1又は2に記載の頭脳ベース・デバイス。 - 前記小脳の前記モデルは、前小脳核(PN)と、プルキンエ細胞(PC)を有する小脳皮質と、深小脳核(DCN)と、下オリーブ(IO)とを含み、
前記前小脳核は前記小脳皮質に出力し、前記プルキンエ細胞(PC)は前記頭脳ベース・デバイスの回転及び速度制御に関する前記深小脳核を抑制し、前記下オリーブ(IO)は前記小脳皮質への登上線維入力を模倣する、請求項3に記載の頭脳ベース・デバイス。 - 前記疑似神経システムは、前記プルキンエ細胞(PC)への入力を供給する視覚皮質領域(MT)をさらに含む、請求項4に記載の頭脳ベース・デバイス。
- 前記機構は、前記視覚皮質領域(MT)への視覚入力を供給するカメラを含む、請求項5に記載の頭脳ベース・デバイス。
- 前記機構は、前記下オリーブ(IO)への回転及び速度入力を供給する検出器を含む、請求項6に記載の頭脳ベース・デバイス。
- 前記機構は、モータ及び該モータによって駆動される車輪を含み、
前記モータは、前記深小脳核(DCN)から及び前記下オリーブ(IO)からの入力を受信して前記頭脳ベース・デバイスの回転及び速度を制御する、請求項7に記載の頭脳ベース・デバイス。 - 前記所与の時間間隔は2−4秒の範囲内の一定の遅延であることを特徴とする、請求項8に記載の頭脳ベース・デバイス。
- 実世界環境におけるモバイル頭脳ベース・デバイスの移動を制御する方法であって、
前記モバイル頭脳ベース・デバイスは小脳をモデル化した疑似神経システムを含み、
前記モバイル頭脳ベース・デバイスの学習段階の間、
(i)前小脳核(PN)からプルキンエ細胞(PC)までの、及び前小脳核(PN)から深小脳核(DCN)までのシナプスをある閾値よりも上に活性化させる視覚入力を供給し、
(ii)前記閾値を超えたそれらのシナプスをストアし、
(iii)前記閾値を超えるシナプスの存在から所定時間経過後に、前記モバイル頭脳ベース・デバイスが障害物に当たった場合にエラー信号を生成し、
(iv)下オリーブ(IO)からPN→PC及びPN→DCN経路の前記シナプスにエラー信号を供給するステップを含み、
少なくとも前記所定の時間にわたってストアされたそれらのシナプスは、前記エラー信号によるシナプス変化を受け、
前記経路IO→DCN内の前記シナプス結合は、前記モバイル頭脳ベース・デバイスを前記障害物から遠ざかるように動かす応答を引き起こすのに十分に強い、ことを特徴とする方法。 - テスト段階の間、
(i)前記経路PN→PC及びPN→DCN内のシナプスをある閾値よりも上に活性化させる視覚入力を供給し、
(ii)前記閾値を超えたシナプスをストアするステップをさらに含み、この場合、前記学習段階の間の前記シナプス変化の結果として、深小脳核(DCN)の活性が前記頭脳ベース・デバイスに前記障害物を避けさせる応答を引き起こし、
(iii)前記閾値を超えるシナプスの存在から所定時間経過後に前記下オリーブ(IO)からのエラー信号は生成されず、さらなるシナプス変化は起こらない、ことを特徴とする請求項10に記載の方法。 - 前記所定の時間は予め定められて2−4秒の範囲内にあることを特徴とする、請求項11に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US75422905P | 2005-12-28 | 2005-12-28 | |
US60/754,229 | 2005-12-28 | ||
PCT/US2006/062634 WO2007076516A2 (en) | 2005-12-28 | 2006-12-27 | Brain-based device having a cerebellar model for predictive motor control |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009523276A JP2009523276A (ja) | 2009-06-18 |
JP5175218B2 true JP5175218B2 (ja) | 2013-04-03 |
Family
ID=38218872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008548838A Expired - Fee Related JP5175218B2 (ja) | 2005-12-28 | 2006-12-27 | 予測的運動制御のための小脳モデルを有する頭脳ベース・デバイス |
Country Status (5)
Country | Link |
---|---|
US (2) | US7827124B2 (ja) |
EP (1) | EP1969513A4 (ja) |
JP (1) | JP5175218B2 (ja) |
CN (1) | CN101390100B (ja) |
WO (1) | WO2007076516A2 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006039797B4 (de) * | 2006-08-24 | 2013-11-07 | Qimonda Ag | Verfahren zum Trainieren von Verbindungen in einer Speicheranordnung und entsprechend ausgestaltete Speicheranordnungen |
EP2263150A2 (en) * | 2008-02-27 | 2010-12-22 | Tsvi Achler | Feedback systems and methods for recognizing patterns |
US8924322B2 (en) | 2012-06-15 | 2014-12-30 | International Business Machines Corporation | Multi-processor cortical simulations with reciprocal connections with shared weights |
US9563740B2 (en) * | 2012-10-16 | 2017-02-07 | The Florida International University Board Of Trustees | Neural interface activity simulator |
CN105917354A (zh) * | 2014-10-09 | 2016-08-31 | 微软技术许可有限责任公司 | 用于图像处理的空间金字塔池化网络 |
CN105388757A (zh) * | 2015-10-22 | 2016-03-09 | 北京航空航天大学 | 一种电动加载系统的复合控制方法 |
US10839302B2 (en) | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
US10599976B2 (en) * | 2016-11-07 | 2020-03-24 | International Business Machines Corporation | Update of attenuation coefficient for a model corresponding to time-series input data |
US10928814B2 (en) | 2017-02-24 | 2021-02-23 | General Electric Technology Gmbh | Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis |
US11301750B2 (en) * | 2017-03-31 | 2022-04-12 | Ecole Polytechnique Federale De Lausanne (Epfl) | Simplification of neural models that include arborized projections |
CN107341543B (zh) * | 2017-06-18 | 2020-09-29 | 大连理工大学 | 一种基于强化学习的小脑模型建模方法 |
US10403116B2 (en) | 2017-06-20 | 2019-09-03 | General Electric Company | Electrical signature analysis of electrical rotating machines |
CN108388213B (zh) * | 2018-02-05 | 2019-11-08 | 浙江天悟智能技术有限公司 | 基于局部可塑性回声状态网络的聚酯纺丝工艺控制方法 |
JP7107017B2 (ja) * | 2018-06-21 | 2022-07-27 | カシオ計算機株式会社 | ロボット、ロボットの制御方法及びプログラム |
GB2575505B (en) * | 2018-07-13 | 2022-08-24 | Centaur Robotics Ltd | Mobility aid device and method of manufacturing |
CN112060082B (zh) * | 2020-08-19 | 2021-10-15 | 大连理工大学 | 基于仿生强化学习型小脑模型的在线稳定控制仿人机器人 |
CN112782844B (zh) * | 2021-01-12 | 2023-03-31 | 中国科学院光电技术研究所 | 一种自适应光学系统稳定闭环控制方法 |
CN114872040B (zh) * | 2022-04-20 | 2024-04-16 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5136687A (en) * | 1989-10-10 | 1992-08-04 | Edelman Gerald M | Categorization automata employing neuronal group selection with reentry |
WO1997046929A2 (en) * | 1996-06-04 | 1997-12-11 | Werbos Paul J | 3-brain architecture for an intelligent decision and control system |
JP3271544B2 (ja) * | 1997-03-05 | 2002-04-02 | 三菱電機株式会社 | 学習制御方法 |
WO2001041867A1 (en) * | 1999-12-07 | 2001-06-14 | Krasnow Institute | Adaptive electric field modulation of neural systems |
US7822694B2 (en) * | 2002-08-21 | 2010-10-26 | New York University | Neuro-mimetic control systems and methods |
US7519452B2 (en) | 2004-04-15 | 2009-04-14 | Neurosciences Research Foundation, Inc. | Mobile brain-based device for use in a real world environment |
-
2006
- 2006-12-27 US US11/646,930 patent/US7827124B2/en not_active Expired - Fee Related
- 2006-12-27 WO PCT/US2006/062634 patent/WO2007076516A2/en active Application Filing
- 2006-12-27 JP JP2008548838A patent/JP5175218B2/ja not_active Expired - Fee Related
- 2006-12-27 EP EP06848895A patent/EP1969513A4/en not_active Withdrawn
- 2006-12-27 CN CN2006800535429A patent/CN101390100B/zh not_active Expired - Fee Related
-
2010
- 2010-10-28 US US12/914,596 patent/US8131658B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
WO2007076516A3 (en) | 2008-04-10 |
US20070194727A1 (en) | 2007-08-23 |
JP2009523276A (ja) | 2009-06-18 |
EP1969513A4 (en) | 2010-05-05 |
WO2007076516A9 (en) | 2007-08-16 |
WO2007076516A2 (en) | 2007-07-05 |
CN101390100B (zh) | 2012-05-30 |
US7827124B2 (en) | 2010-11-02 |
US20110047109A1 (en) | 2011-02-24 |
CN101390100A (zh) | 2009-03-18 |
EP1969513A2 (en) | 2008-09-17 |
US8131658B2 (en) | 2012-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5175218B2 (ja) | 予測的運動制御のための小脳モデルを有する頭脳ベース・デバイス | |
Bing et al. | End to end learning of spiking neural network based on r-stdp for a lane keeping vehicle | |
US9579789B2 (en) | Apparatus and methods for training of robotic control arbitration | |
Nolfi et al. | Evolutionary robotics | |
US8285657B2 (en) | Mobile brain-based device having a simulated nervous system based on the hippocampus | |
US8583286B2 (en) | Hybrid control device | |
Cox et al. | Neuromodulation as a robot controller | |
EP2437205A1 (en) | Mobile brain-based device for use in a real world environment | |
US20150094852A1 (en) | Robotic control arbitration apparatus and methods | |
Yue et al. | A collision detection system for a mobile robot inspired by the locust visual system | |
Sporns | What neuro-robotic models can teach us about neural and cognitive development | |
Chen et al. | Versatile networks of simulated spiking neurons displaying winner-take-all behavior | |
Bonarini | The body, the mind or the eye, first? | |
US20230177283A1 (en) | Nervous system emulator engine and methods using same | |
Degris et al. | A spiking neuron model of head-direction cells for robot orientation | |
Sandamirskaya et al. | Dynamic field theory of sequential action: A model and its implementation on an embodied agent | |
Holland et al. | A neuroanatomically grounded optimal control model of the compensatory eye movement system in mice | |
Hu et al. | Slasher: Stadium racer car for event camera end-to-end learning autonomous driving experiments | |
Wang et al. | An adaptive behavior decision model of mobile robot based on the neuromodulation | |
Barrera | Anticipatory mechanisms of human sensorymotor coordination inspire control of adaptive robots: a brief review | |
CN117195994A (zh) | 可变模型的训练方法和芯片产品 | |
Northmore | A network of spiking neurons develops sensorimotor mechanisms while guiding behavior | |
French et al. | The hi-noon neural simulator and its applications to animal, animat and humanoid studies | |
Holland et al. | A neuroanatomically grounded optimal control model of the compensatory eye movement system | |
Brohan et al. | Reinforcement learning in a self-organised representation of feature space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090515 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120326 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120626 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120703 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120925 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20121210 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5175218 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |