在动态、不确定和未知的复杂环境中,机器人的控制面临着很大的挑战。借鉴高等脊椎动物的行为模式是基于行为的机器人学研究的新思路。高等脊椎动物的大脑基底神经节在运动协调、学习、记忆、认知等活动中起着重要的作用,将基底神经节应用于机器人的研究刚刚起步,许多问题亟待深入研究。本课题以基底神经节为切入点,依据基于行为的机器人学的基本原理,对基底神经节应用于机器人的行为选择、行为学习和行为序列获取等进行理论、方法研究和实验验证;引入尖峰神经元模型改进现有基底神经节模型,提高选择能力和实时性;应用FPGA技术实现基底神经节的功能,并在机器人实验系统上验证研究结果。研究成果将拓展基于行为的机器人学的研究领域,为研究出智能程度更高、更具有类人行为特性的机器人作出贡献。
Robot;Basal ganglia;Behavior Selection;Behavior sequence learning;FPGA
本项目借鉴高等脊椎动物基底神经节的研究成果,根据基底神经节在动物行为选择与行为学习中的作用,对基于基底神经节的机器人行为选择、行为学习的理论基础和实现方法进行了研究。本项目首先分析和比较了多个基底神经节的行为选择模型,利用遗传算法优化了相关行为选择模型的参数,提高了机器人的行为选择能力,并通过仿真实验,模拟了基底神经节病变对机器人行为选择能力的影响,分析并验证了帕金森和亨廷顿两种疾病的发病机理。然后建立了基于尖峰神经元的基底神经节模型,研究了基底神经节中多个通道、多个核团之间的相互作用关系,并在此基础上,研究了多巴胺神经元在条件反射过程中的活动特性及其对突触可塑性的调节作用,分析了基底神经节的强化学习机制及其在机器人行为序列学习中的作用,提出了基底神经节的Actor-Critic强化学习框架,提高了机器人的行为序列学习能力。最后,提出了基于数字逻辑电路的基底神经节实现方案,同时利用FPGA实现了小规模的基底神经节,并将其用于实际的机器人行为选择与行为序列学习。本项目的研究扩展了机器人行为学的研究领域,为动态、复杂和不确定环境中智能机器人控制方法的研究,提供了理论支撑和技术支持。