文摘
在前面的工作,这是证明一个可以有效地使用CTRNN-EH(呃的神经形态变异方法)方法进化神经形态为扑翼飞行控制器的机器人。介绍了一种新型频率grouping-based分析技术,发展到定性演化控制器分解成可辩解的功能控制块。总结之前的工作发展的飞行控制器的两类控制器类型,称为自治和自治控制器,提供,新开发的分解分析的适用性的控制器类。进一步,本文总结以适当的讨论正在进行的工作和对未来可能采用CTRNN-EH工作方法和本文中给出的分解分析技术。
1。介绍
Mosaforementionedt,即使不是全部,现有bird-sized和昆虫扑翼汽车只拥有少量的主动控制自由度。在这些车辆,机翼运动产生的大部分通过积极推动相结合的联系(汽车和配件、压电梁等)和被动驱动元素(翼flex或通过动态加载压力,旋转等)(1,2]。控制自由度的数量通常最小化简化控制和限制笨重的致动器的数量进行。从理论上讲,这两个bird-sized [1和的昆虫2机器人可以维持稳定飞行控制器产生驱动信号只有几个自由度。但这需要利用每一个可能的自由度的机器人来实现复杂的演习中可能的生物。因此,存在一个可能性,申请一个学习或适应性控制器技术(1,3- - - - - -6)的昆虫扑翼的控制车辆,以下称为微级扑翼飞行器(MFWRs),可能会产生更多的仿生控制和操作模式,规避传统的控制器设计。可以想象两种基本方法之一“适应性控制器”的问题。首先,人们可能会试图杂交传统控制器的自适应系统,希望合并后的系统可以学习个体车辆的具体需求增加基本控制器。第二,或许有人企图建立一个适应性强的控制器,可以接受的学习控制律白板突然或通过分阶段的方法。即使白板方法可以使工作,人会产生一种责任来解释的操作控制器,虽然功能,可能操作方式不符合现有的解释范式。在以前的工作4,7- - - - - -9),作者能够证明控制器可以通过验证“从头学”的想法在一个框架神经形态的演化硬件。进一步,这以前的工作也证明了神经形态自适应硬件实现的可行性,提供计算优于现有的自适应控制技术使用类似的神经基质(10,11]。本文中提到的工作更关注这一问题的解释这些控制器做什么和如何做。将讨论后续工作进行分析与新开发的frequency-based进化出飞行控制器和既存的模块化分解方法。在这个紧要关头,必要的背景知识来理解术语,方法和方法使用的上述CTRNN-EH框架简要解释部分2。以下是部分3描述的具体方法和模型用来成功发展特定MFWR CTRNN-EH飞行控制器模型。部分4描述的细节提出了分析方法及其适用性进化飞行控制器,其次是部分5结论在当前工作和持续的未来的工作。
2。背景和以前的工作
2.1。CTRNN-EH框架
CTRNN-EH框架介绍了以前的作品(5,12,13总结示意图如图1。CTRNN-EH框架是一个标准的神经形态变体演化硬件模式使用连续时间递归神经网络(CTRNNs)作为可重构硬件衬底。CTRNNs Hopfield网络的连续模型神经元(13)与无约束连接权重矩阵。CTRNN神经活动和输出都是由一个th学位微分方程的形式: 在哪里神经元的状态吗,时间常数的神经元,连接的强度吗th,神经元,是一种偏见,是标准的物流激活函数,代表了一种加权感官输入与力量。的一组参数定义一个神经元(传入的重量、时间常数和偏见)被称为一个独立的个体神经元的配置,这些个体的集合对于一个给定的网络被称为神经元的配置网络配置或CTRNN配置。这些CTRNNs已经被证明是普遍接近者任何光滑动力学(14]。实际的好处,原则上,任何可能的控制律可以逼近任意给定足够CTRNN神经元。在实践中,即使是小的CTRNN神经元网络能够产生复杂的动力学行为。基于演化硬件(呃),进化优化原理和所需的配置可重构衬底使用进化算法技术。CTRNNs进化到产生,正确的控制信号,利用进化算法。CTRNNs的训练是找到合适的参数设置,也就是说,配置网络中神经元的设置。进化算法搜索给定可能设置的神经元并找到最优设置网络作为一个整体,以产生所需的控制信号。CTRNNs功能与最佳设置由EA叫做进化控制器给定控制问题被解决。基于以前的工作,Minipop算法(15)选择作为CTRNN-EH进化算法框架。Minipop算法是一个重量轻的进化算法由突变和hypermutation [15),相同的更多细节可以在[13,15]。
2.2。以前的工作
上述CTRNN-EH框架已经成功地用来控制步态运动在真实和模拟昆虫步行者(3,16作者的同事。这些努力集中在解决学习六足机器人的运动控制问题与十二自由度,从头开始,没有任何preknowledge机器人的物理特性(如重量和任何腿赔偿)。从概念上讲,每条腿的昆虫(两个自由度的致动器)需要最佳的振荡模式的两个执行机构,以适当的相位关系帮助生成力量将昆虫向前或向后的方向。此外,任何控制器,声称为昆虫提供最佳的运动控制器必须考虑所需的最佳振荡动力学在每条腿以及所需的协同动力学在所有六条腿来生成最优和节能运动在昆虫3]。这个复杂的本地和分布式运动模式生成问题成功解决了CTRNN-EH架构中提到(6]。此外,进化振荡CTRNN-EH运动控制器在那些实验中嵌入大量的实用功能很小数量的神经元。这些进化控制器能够最优控制各种加权身体有或没有受损的腿。控制器可以这样做没有reevolution和可以动态地调整其动力学吸入外部感官输入(6,13]。进一步开展工作,理解不了这些进化CTRNN-EH控制器(用于步态运动)导致一组动态模块分析概念(5,6,16),可以用来预测和解释这些进化的行为控制器,控制器和类似的性质,功能的可持续性和失败。
然而,概念上的扑翼飞行问题股的要求生成最优振动动力学所需的飞行行为;与昆虫沃克问题,前者在其身体动力学固有的不稳定性,介绍了由于介质(即它的飞行。,在三维空间不断变化的质心)。这可能身体内在不稳定的动力学在扑翼汽车使CTRNN-EH基础学习更具挑战性的有效应用于昆虫比步行者,生成最优传动机构动力学。此外,动态分析模块(6,16)是成功的理解进化运动控制器可能无法适用于可能的CTRNN-EH飞行控制器。尽管如此,CTRNN-EH控制器的功能产生光滑动力学,并提供规定的适应和调节所产生的动态观察到以前的工作(5)充分证明所需的努力提出了论文发表的作者(4,7- - - - - -9进化扑飞行控制器。尽管提供的详细描述不同可能CTRNN-EH控制器的模式是超出了本文的范围,下面定义的两种基本模式,更相关的理解本文提供的实验。
自动控制器
这些神经网络配置产生振荡信号没有任何外部感官输入(3,5]。如说明概念图所示2(一个),这些配置可以生成自治和周期性的动态神经网络没有任何外部触发/传感器的输入;因此这些将被称为自主神经形态控制器在以后的部分。
(一)
(b)
时滞控制器
这些神经网络配置可以产生合适的振荡模式只有与其他振荡系统。他们讨论的更彻底8]。如说明概念图所示2 (b),这些配置可以生成不同的动态神经网络只与特定的外部触发/传感器输入同步提供给他们,因此这些被称为时滞神经形态控制器在以后的部分。
3所示。进化扑翼飞行控制器
本节描述作者的成功努力旨在发展自主和非自治CTRNN-EH控制器的扑翼飞行器飞行模式(4,7,9]。的部分将首先简要描述微级拍动翅膀的机器人(MFWR)模型,其次是描述MFWR-specific CTRNN-EH控制体系结构和演化策略应用于发展不同的飞行控制器。
3.1。微程序级拍动翅膀的机器人(MFWR)
微机械飞行昆虫模型是由MFI团队在加州大学伯克利分校(2促进研究性学习来构建一个真正的扑翼机器人100毫克质量和25毫米的翅膀。基于可用的MFI文学在机器人的翼空气动力学和身体动力学,我们重建与线性致动器动力学模型称为微级拍动翅膀的机器人(MFWR) [4]。我们的模型在模拟验证,发现是伯克利的匹配模型,我们可以复制他们发表飞行信封和行为。的翼空气动力学(WA)模块的模型是基于数学模型,从实证研究发展进行Robofly [17]。佤邦模块产生的空气动力和力矩翅膀运动学。的体动力学模块采用空气动力学产生的力和力矩翅膀运动学与动力学模型和集成他们的MFI的身体,因此计算身体的立场和态度作为时间的函数。读者是指向18这些模块的细节描述。
总之,实现MFWR模型成真(左和右)驱动参数输入像中风和旋转轨迹和产生的位置和姿态信息MFWR坐标系如图3。此外,该模型还需要身体线速度和角速度从之前的模拟步骤使其内部的反馈系统。MFWR模型模拟了现实和设想物理和环境参数,如机器人的质量是100毫克,设想翼25毫米的长度,重力加速度值为9.8米/秒2、空气阻尼系数n秒/ m、中风角范围的−60 + 60,旋转角度范围的−90 + 90,和一个常数参数派生和中提到2,17]。此外,微分方程描述机器人的内部动态模型计算使用龙格-库塔(RK4)数值方法。
3.2。控制架构和进化算法规范
与MFWR模型进行一些初步实验后,自定义CTRNN-EH控制结构如图4被选为less-redundant架构和有足够的灵活性,嵌入到它的动态最优控制律所需不同的飞行模式(4]。目前每个翼可以控制驱动动力学建模的中风和旋转参数,和中风的飞机机翼固定在一个恒定的角度。这种分布式CTRNN架构如图4一块核心网络,可以产生信号,送到每个机翼的轨迹驱动被延迟网络块处理后。图4显示控制器的接口架构MFI翼参数。延迟网络将产生不对称/对称驱动的左翼与右翼反之亦然产生净零/零力矩和力量方向(2,4]。组的实验和结果,描述本文fullyconnected八神经元网络是为中央核心网络阻塞和选择进化算法采用进化中央核心网络和/或延迟时间在外延迟网络(4]。此外,中央核心可以接受感官输入,从MFWR的状态或外部命令,提要中的每个神经元的核心。下一小节提供了进化算法的细节在本实验。
如前所述,每个CTRNN神经元由一个偏见,指定一个时间常数,和八个加权连接神经元网络(self-connection七到其他神经元的连接,和一个传感器)。eight-neurons因此,中央核心网络,完全由八十八年的数值设置参数,指定使用11个参数为每个神经元完全连接eight-neuron网络。上述minipop EA实现人口规模4和0.005的突变率。基因组长度选择用来编码的比特总数等于给定CTRNN配置。每个神经元在八个比特编码,参数配置,聚合一个基因组长度为704位代表中央核心网络。延迟输入间隔时间门网络编码在一个八位字符串。采用上述结构和算法规范下一小节提供的细节进化运行和评价标准应用于发展自主和自治控制器。
3.3。发展自主飞行控制器
三种自主飞行控制器,即巡航,高度增加,和指导,成功使用上述架构和算法进化,但在特定类型的健身评价标准。举个例子,一个可接受的行为进化巡航模式下的MFWR控制器产生的正向运动大于高度的运动或横的方向。此外,它还应该保持零沿着三个汽车坐标系的轴角速度(零距、辊和偏航)。标准的预期晚控制器可以通过使用preevolved CTRNN-EH门网络与对称延迟。但是第一和主要标准控制器应该进化的核心,因为这是唯一的模块能够产生任何动力驱动的翅膀。因此,建立一个评估函数来捕获这个巡航标准应遵循的运动MFWR控制潜在的控制器和奖励控制器在前进运动的一代,处罚一代的高度变化。的图示将自主巡航行为和建立关系的潜力评估函数图所示5。因此,以下评价函数设计有一个最小化的适应性策略4),获取预期的巡航MFWR行为: 在哪里,,MFWR时刻的瞬时位置数据吗(高度)(向前),(侧面的)方向的控制下翅膀运动学由控制器和生成是时间的总数步骤出现在每个评估阶段。
它可以观察到,上面的评价函数获取预期的前进运动通过将限制控制器最大化项,因为这是一个否定总和变量在上面的函数最小化健身战略。此外,高度可持续发展约束强制实施的术语,捕捉变化的平均绝对测量的高度评价,和演化巡航控制器的健身应该最小化这个因素,有利于整体健身价值的贡献术语。因此,至少从理论上讲,建立健康评估函数演变巡航模式控制器奖励MFWR和惩罚的前进运动变化的高度,当置于控制之下。图6显示MFWR的行为在一个进化巡航控制器,成功地进化到产生适当的中风和旋转运动学MFWR的翅膀。基于上述健身评价策略,也就是说,捕捉飞行模式行为的MFWR的位置信息在指定的一段时间内控制,其他两个自主控制器,Altitude-gain和引导,也进化成功(8,9]。进一步的细节自主飞行模式控制器的实验中可以找到(7- - - - - -9]。
(一)
(b)
3.4。进化为基础飞行控制器
两种类型的非自治飞行控制器成功地进化,即自适应巡航模式控制器和多态控制器(7,8]。自适应巡航模式控制器类似于他们的自治同行除了他们被迫感MFWR和适应相应的高度在进化。多态控制器另一方面被迫改变行为的核心中央CTRNN模块之间自主altitude-gain控制器和自主巡航模式控制器,基于外部命令。这两个控制器采用相同的健身评价标准,在上下文中提到的自动控制器,在一个不同范围的感官输入。一种进化时滞巡航模式控制器的翅膀运动学MFWR的影响如图7(一),以及相应的位置MFWR和感官输入的数据。同时,进化CTRNN-EH多态飞行控制器的一个影响机翼运动学如图7 (b)的相应的位置数据,连同MFWR机器人和外部感官输入用于调用所需的模式。
(一)
(b)
4所示。进化分析飞行控制器
进化CTRNN-EH飞行控制器会更好接受实际部署,至少对于工程师,如果它们的功能可以解释使用已知的工程的总体原则。正如所有可发展的基于硬件的方法,存在一个可能性的接受进化飞行控制器,只是健身方面的得分值(这是基于密切近似可接受全身轨迹行为),可以利用可能的潜在的噪音MFWR模型来获得最优控制器状态。因此,第一个可能的分析接受进化飞行控制器努力观察和验证昆虫的时间加上进化控制器的动力学行为,并确定它是否满足已知的主要物理特性MFWR模型的飞行行为。此外,它将解释进化感兴趣的控制器可能分解CTRNN-EH层的逻辑控制块。第二部分处理分析进化控制器与下面提到的两种推导方法。
4.1。可接受性分析
这项工作的过程中,推断MFWR飞行的物理行为的可接受性,进化产生的飞行控制器可以容易理解定性对比,与信息从实证研究MFI昆虫模型(2,18]。期间提到的实证研究,证明了一个适当的参数化翼的旋转轨迹(参数的频率、振幅和相位)翼运动平面上可以产生推力,可以对抗空气阻尼和拖累昆虫的身体,进而导致比例运动机器人的前进方向。此外,推断一个适当的和稳定的中风翅膀运动学轨迹包络线,以积极的旋转位置和机翼的速度(即。,upstroke of the wing), can produce positive lift in MFI (which would counter the gravitational forces and leads to rise in the altitude), and the same stroke envelope at negative rotational position and rate would generate antilift (which leads to drop in the altitude). Thus, any designed or evolved controllers for MFWR model should at least qualitatively satisfy this empirically deduced criterion, established for the MFI insect model flight behavior.
证明了自治和自治控制器,进化仅仅简单的健身评价函数的基础上,产生一个可接受的物理行为MFWR模型的整体身体轨迹(8,9]。此外,努力观察时,机翼(旋转和中风)产生的进化轨迹飞行控制器(对于一个给定的健康标准)似乎住的经验建立了翼轨道标准(MFI昆虫飞行行为模型研究)。可接受性分析的详细描述不在本文的范围和指导读者8,9为更多的细节在这个分析进行个人飞行模式控制器。
4.2。定性功能分解分析
这将解释进化感兴趣的控制器可能分解为容易可辩解的逻辑控制块,和存在一个以前的工作5,16,19],依赖于确定的内部动力学CTRNN-EH控制器为中枢模式发生器(论文认定)和反射模式生成器(rpg)。总结简洁,可以认为CPG花纹CTRNN控制器收集适当的神经元模块进化在单个神经元水平,生产自主振荡动力学,没有任何外部振荡或偏见。的可能性two-neuron CTRNN-EH控制器生产自主振荡动力学已经证明在16,19),并进一步后在同一领域工作(5,6]提供了一个逻辑CPG模板,与时间延迟神经元相互抑制,进而导致持续不稳定彼此产生振荡动力学。此外,RPG图案CTRNN-EH控制器集合可以被视为适当的神经元模块进化产生振荡动力学在外部振荡或偏见的存在。
进化自治高度增益、巡航和操舵和控制器被怀疑属于CPG模板,可以分解为一组可辩解的振荡和非神经元组织产生所需的进化飞行控制的行为。
在另一方面,时滞巡航模式控制器和多态模式控制器(作为一个整体)很可能属于RPG模板,可以分解成sensor-dependent或独立振荡神经元群体的集合。因此,它可能会需要发现和分离独立和依赖的振荡控制模块在一个进化控制器能够帮助描述给定控制器使用已知的CPG或RPG模板。进一步分解过程提供一个定性的视图和低级的人类可以理解的结构之间的协调这些单独的模块,它主要控制给定的行为进化的控制器。在这个紧要关头,三步frequency-based定性分析过程,提出了分解进化控制器。
Dynamics-Deprived神经元消除
为了简化分解的过程,控制器演变成一组功能单元、一个循序渐进的神经元消除技术,如图8可能已被用来减少现有的大小8-neuron CTRNN-EH控制器。如图8,一个人可以将角色分配给单个神经元在给定CTRNN-EH控制器体系结构,基于其功能价值。直接连接的神经元的效应器模块MFWR可以指定为主要神经元,神经元和其他人可以指定为次要。很明显,主要神经元不能dynamics-deprived神经元,但有些饱和的二级神经元最小或最大的神经元输出电平飞行控制器期间资格dynamics-deprived神经元。这些发现dynamics-deprived神经元可以折叠到现有的神经元通过修改适当的偏见(即。“Bias-Forwarding”)。一旦减少结构的动力学定性匹配原始完整的动态网络,减少网络可以用于进一步的分解过程。
(一)
(b)
(c)
Frequency-Based分组
基于前面提到的一般原则接受控制器的动态,这是推断,机翼的稳定振荡动力学(中风或旋转)决定飞行行为。因此,基于该控制器可接受性知识,这将是适当的组神经元减少网络,基于个人的时间常数,为不超过两组(分别旋转和中风)。图中所示9,聚类标准是基于相对较低的时间常数(即神经元。更高的频率)是分开与相对较高的时间常数(即神经元。较低的频率)。如图9,神经元的分组将简化分解过程可以逻辑上相关的个人翅膀运动学(中风或旋转)单个神经元组(集群)基于定性不同频率和相位的翅膀运动学。
(一)
(b)
病变的研究
一旦集群神经元频率控制模块得到给定控制器,有必要了解这些控制中的单个神经元的相互作用与其他现有的模块和控制模块来定性地推断出底层控制器功能的指导原则。因此,在这个损伤研究,勤于观察的一般方法的变化动态单个或一组神经元,而它的一些从其他网络连接是截肢,已被采用。虽然病变操作的数量无法量化,将取决于进化控制器的复杂性,但如图10截肢,最初的直观地区所有频率之间的进化控制器将集群神经元群体进一步验证他们的相互依赖其次是一系列的病变,如社会团体内部的损伤研究中,无论认为合适的控制器中。采用上述定性分解过程;最好的五个每个进化控制器在每个类别如下讨论分析。
(一)
(b)
4.3。分析自动控制器
4.3.1。自动巡航模式控制器
本节提供的详细的定性分解过程最好的进化自主巡航模式控制器,使用上述三种一般步骤。定性比较和更好地理解控制器分解一个一成不变的原始eight-neuron控制器的体系结构分析如图11。建筑有两个主要神经元0和1,这是直接连接到中风和旋转效应器MFWR和神经元从2到7的二级神经元控制器,在控制控制器的作用行为将决定这个分解过程的一部分。每个神经元的原始输出控制器的架构,负责生产所需的巡航MFWR行为,如图所示12。
此外,飞行轨迹的MFWR原控制器的控制下在图所示13,这将是有用的定性比较,被执行后,最初的控制器的体系结构进行了简化分析。如图12,它可以观察到二级神经元3、5、6似乎饱和在飞行控制恒定输出值。尽管它可以推导出,至少,从观察这三个神经元可能不会导致整个输出动态产生的控制器,详细的一步一步的过程中提到“Dynamics-deprived神经元消除”过程必须排除这些神经元可能起到了至关重要的作用在控制器的初始化之前通过瞬态动力学稳定状态的饱和。导致的明显的神经元控制器动态是0,1,2,4,7,但存在不同的差异0和1的输出包络和频率特征神经元从2,4,7,可用于“frequency-based分组”过程后成功的还原体系结构的大小,如图17。以来,候选人dynamics-deprived神经元是由神经元输出状态的观察;神经元的偏见0,1,2,4,并适当地修改7,绘画般地在图表示8 (b),把个人输入的重量从每个消除神经元存活神经元作为额外的偏差值输出状态。五个神经元的合成减少神经元结构图形表示图14。进一步验证dynamics-deprived神经元消除过程适用于控制器,两个定性的比较是必要的,主要是建筑减少了MFWR轨迹控制器至少应该定性控制行为的目的是由原控制器,而且,此外,存活神经元输出状态信封在飞行控制应该匹配输出状态信封从原来的架构。
后来条件消除的可能性降低了体系结构可以明显改变,失去了内部动态,尽管它可以满足生产所需的主要条件在MFWR巡航的行为。因此,减少五MFWR神经元控制器评估,和单个神经元的输出状态的信封five-neurons捕获,如图15,相应的轨迹MFWR减少控制器的控制下如图16。它可以观察到,产生神经元之间存在一个可接受的定性匹配输出five-neuron控制器减少到原始同行八神经元控制器,包括同步变化的频率和振幅的主要行程神经元和神经元4(原始架构)新神经元的位置3。
(一)
(b)
此外,最令人信服的证据表明,减少控制器定性控制MFWR生产所需的巡航轨迹行为证明dynamics-deprived神经元消除过程适用于这个控制器。因此,推进减少five-neuron架构,应用frequency-based分组将是简单的,因为它可以从五个神经元输出信封,观察中风的主要神经元和第三次要神经元似乎有着特殊的同步频率和振幅变化,直观地属于高频组。此外,这两种神经元的进化时间常数单位和0.010000是相同的,另一方面,神经元1和4的旋转主要神经元可以分配给低频组与相应的时间常数10.546157,9.558393,和20.176863,分别。因此,如果一个相对时间常数阈值选择9户,然后存在两种截然不同的frequency-based组,如图18。中风后分组的主要神经元和第三次要神经元在相同的频率,进一步解释互连体重透露,彼此有强烈抑制,并进一步存在极有可能这两个神经元可以形成一个two-neuron(高频)从低频振荡与其他输入动态组(包括旋转主神经元,第四个二级神经元,神经元和第二中学)。因此,一个群际损伤研究,如图10 ()截肢,神经元之间的连接高频组神经元和低频组神经元执行。截肢网络评估,上述直观的可能性two-neuron振荡器形成高频组验证的启示two-neuron振荡器形成低频组,如图18。可以观察到主要中风神经元和第三次要神经元振荡在相同频率一致,和他们的输出振幅比低频组组成的初级神经元和第二旋转二级神经元以及饱和第四二级神经元在截肢的评估。显然,第二级神经元的动力学中风不是完全孤立于高频振荡器组(主要中风神经元和第三次要神经元)因为这第四个神经元已经显示出完美的振荡行为时减少通过这个神经元网络是完全连接。此外,当这种切断网络控制器耦合MFWR,已经观察到控制器能够控制MFWR轨迹在一个可接受的巡航模式行为模板见过的人物16和15,但逐渐漫无边际地从可接受的行为和导致MFWR显著上升的高度,上升速率正比于MFWR前进运动速度,如图19。它会做一个勤奋的比较感兴趣的完全连接的动态减少five-neuron控制器的截肢控制器如图18和15从行为改变的角度在飞行途中每个神经元输出状态评估。尽管有人可能会认为,定量的动态神经元0到3(包括主中风和旋转神经元和两个二级神经元)是不同的场景,用于定性分析这些神经元振荡动力学做项目相似,但激烈的动态观察到的差异在第二级神经元,它抓住了从高频振荡,当截肢神经元群表示强烈的连接到控制器的性能下降注意到图中24。在分析完全连接的神经元输出控制器,中风的动态神经元群(高频组)被缓慢移动的信号,改变定期与一段相当于旋转神经元组(低频组)。此外,它已经表明,存在该低频组中的第二级神经元(旋转)敏感,取决于高频率的动态组(中风),尽管两组能够生产独立振荡动力学控制MFWR轨迹,控制持续了很短的时间内没有可能的动态修改的第二级神经元。的最优控制的行为才可能进一步包含这第四个二级神经元,现在可以被视为监测神经元,这是进化适当负责执行复杂的动力学计算在振荡器组和高频率的团队提供了周期信号改变其振幅和频率满足MFWR巡航的行为。此外,正是前面提到的第四个神经元中间时间常数的值为9.558,这使得它有足够的时间总和的能力,可以预报的能力使它一个观察者(在其他神经元的动态下沉)的其他神经元,进一步有足够的内部动态(足够的燃烧率产生峰值)来修改他们的动力学缓慢但强大的方式因此定期修改自己的频率和振幅。
基于上面的分析,可以推断进化自主巡航模式控制器可以定性解释为两个稳定和独立的频率振荡器组成,管理一个机翼的中风运动学击败率较高,另一个是旋转打率较低,存在定期监测神经元的曲调中风振荡器的振幅和频率,而周期性旋转振荡器同步。上面的图示推导出组合模板图所示20.。所有的5个最佳发展自主巡航模式控制器可约从8个神经元five-neuron架构使用“dynamics-deprived神经元消除”的过程。此外,其中四个在他们的建筑有不同的频率特性,可以利用“Frequency-based分组”的过程,成功地减少到两个运动学控制模块。只有三个最好的五个控制器符合分解模板上面所讨论的,稳定的独立振荡器模块和监测神经元和其他执行相同的功能与密切相关的振荡器块没有投诉frequency-based聚类标准。尽管如此,他们表现出严格的社会团体内部的损伤研究监测神经元的存在,而辅助控制旋转动力学的振幅可接受巡航的行为。
4.3.2。自治高度增益模式和控制模式控制器
上述分解分析中提到的背景下巡航模式控制器对整个执行最好的五个自治高度增益模式和控制模式控制器。个人控制器架构可约从8-neuron 4-neuron架构使用“Dynamics-deprived神经元消除”过程在两个类别。只有一些最好的高度增益控制器向聚类标准,因此两个功能模板派生使用损伤研究单个神经元的减少网络上执行。如图(21日),这个派生功能模板采用单一振荡对照组包括两个主要的神经元,执行闭环振动翅膀运动学,所需援助的两个子公司网络类似于一个典型的神经元CPG-like控制模块前面描述的部分。这个分解模板适用于控制控制器的整个中心的核心,只有两个高度增益控制器。其他模板,如图21 (b),只有中风主要神经元振荡对照组饱和旋转运动在不同的控制模块,这只适用于高度增益控制器。
(一)
(b)
4.4。分析时滞控制器
4.1.1。非自治巡航模式控制器
本节提供的详细的定性分解过程最好的非自治发展巡航模式控制器。建立了三步分解使用的适用性Dynamics-Deprived神经元消除,Frequency-based分组和病变的研究方法将和可能的分解将推导出振动水平。定性比较,为了更好地理解控制器分解,一个不变的原始eight-neuron控制器的体系结构分析如图22。建筑有两个主要神经元0和1,这是直接连接到中风和旋转效应器MFWR和神经元从2到7的二级神经元控制器,在控制控制器的作用行为将决定这个分解过程的一部分。除了神经元之间的联系,每一个神经元被连接到一个外部高度传感器,即建模提供一个相对高度的地位MFWR期间从最初的高度评价。每个神经元的原始输出控制器的架构,负责生产所需的巡航MFWR行为,随着高度传感器的输出,如图所示23。此外,飞行轨迹的MFWR原控制器的控制下在图所示24,这将是有用的定性比较,被执行后,最初的控制器的体系结构进行了简化分析。图中所示23,它可以观察到二级神经元3和6似乎饱和在飞行控制恒定输出值。尽管它可以推导出,至少,从观察这三个神经元,可能没有导致整体输出动态产生的控制器,详细的一步一步的过程中提到“dynamics-deprived神经元消除”过程必须排除这些神经元可能起到了至关重要的作用在控制器的初始化之前通过瞬态动力学稳定状态的饱和。导致的明显的神经元控制器动态是0,1,2,4,5,7,但存在明显的分歧在输出0,信封和频率特征2、5和7个神经元从1和4,可用于“frequency-based分组”过程后成功减少结构的大小。此外,如前所述在最初的物理验证步骤进化过程,存在主旋转神经元输出状态的夹带振幅和频率与传感器输出状态特征。因为候选人dynamics-deprived神经元是由神经元输出状态观察,神经元的偏见0,1,2,4,5和7适当修改,把各个输入神经元生存的重量从消除神经元作为额外的偏差值的输出状态。6的合成减少神经元结构神经元是绘画般地在图表示25。进一步验证dynamics-deprived神经元消除过程适用于控制器,两个定性的比较是必要的;主要架构减少了控制器至少应该定性控制MFWR轨迹行为目的是由原控制器,而且,此外,存活神经元输出状态信封在飞行控制应该匹配输出状态信封从原来的架构。正如前面提到的,后来条件消除的可能性减少架构可以明显改变,失去了内部动态,尽管它可以满足生产所需的主要条件在MFWR巡航的行为。
此外,传感器输出之间的有趣的夹带行为和旋转神经元输出(如果可能第三(老指定position-fourth)二级神经元输出)应该维护,至少定性。因此,减少对MFWR six-neuron控制器评估,信封和单个神经元的输出状态的六个神经元和传感器捕获状态,如图26,相应的轨迹MFWR减少控制器的控制下如图27。可以观察到存在一个可接受的定性匹配产生神经元输出之间six-neuron控制器减少到原来的同行eight-neuron控制器,包括夹带行为主要中风神经元和传感器之间的地位。
因此,推进减少six-neuron架构,应用frequency-based分组是复杂的,因为它可以观察到从six-neuron输出信封,中风的主要神经元,以及第二,第四,第五二级神经元,似乎共享相同的频率带宽,直觉上属于高频组。
此外,这些神经元的进化时间常数的范围0.010000 ~ 0.05000单位。但是,另一方面,旋转主要神经元和第三次要神经元可以分配给低频组相应时间范围为10.034到16.532单位。此外,由于传感器模块输出可视为pseudoneuron(与MFWR动力学等效模型和连接到主神经元中间神经元),存在两个选择进一步分解架构。第一种方法是将传感器pseudoneuron组合为低频组和执行组间损伤研究中,它将提供洞察组高频振荡器的(如果有的话展览集团独立振荡性质)依赖于传感器的状态,并进一步相同的依赖关系可以通过执行社会团体内部的损伤研究低频组通过切断传感器pseudoneuron。第二种方法是集团只有真正的神经元通过完全忽略了传感器信号(即。,amputating the sensor signal) into a high and low frequency groups and study their behavior independently, checking for independent oscillatory behavior, in the absence of the external sensor signal, followed by introducing the sensor signal to detect any significant behavior changes for deducing any possible independent control modules. Though both approaches would yield the same conclusions, the second approach is chosen since the sensor dynamics of the MFWR can be treated separately from the actual neuron dynamics, in two easy steps of complete sensor-independent neuron dynamics decomposition (frequency grouping and intragroup lesion study) followed by the sensor status injection into the possible neuron-level decomposed modules. Thus, moving forward, the six-neuron architecture is disconnected from the external sensor and a frequency-based grouping, with groups mentioned earlier is performed as shown in the pictorial representation Figure28。此外,执行一个群际损伤的研究,如前所述(如图10 ()),两组中的每个神经元的输出呈现在图29日。它可以注意到,这两个频率组确实自给自足的动力学在他们独立振荡器,和两个频率组、高频组和低频组demosntrated在上述分析。此外,每个神经元的输出高频组匹配原始输出包络six-neuron架构建议减少本集团的内部动态免疫外部传感器动态。但是同样不能推导出低频集团具有较高的时间常数和已经显示出其亲和力与传感器信号乘火车。此外,这种社会团体内部的截肢中风和旋转神经元群独立振荡器在控制部分成功MFWR预计巡航行为如图30.,它可以观察到,MFWR丢失的高度随着时间的发展,虽然高度下降的速度是非常低于向前运动的速度增加。下一步在这个过程中推断出任何可能的模块化控制结构是注入传感器信号动力学建立了两个频率组和检查夹带行为和控制器的预期MFWR巡航模式可接受性。在执行商定的最后一步在分解过程中,这是推断,将传感器信号动力学只注入低频组足以产生定性接受MFWR巡航模式行为。因此,一般定性功能分解模板如图31日推导解释非自治发展巡航模式控制器,作为两个独立的组合振子,高频振荡器的控制翼的中风运动学与稳定的振幅和频率和低频振荡器,这是进化MFWR监控高度变化,通过可用的外部传感器模块,改变了旋转动力不断限制高度的变化MFWR同时提供了前进运动,通过生成需要提升和antilift行为验证了实证研究的一般原则(可接受性分析中提到的)。三最好的五个发展控制器后推导出模板,和另外两个更封闭的模板,只是不同的主要一个中风的频率组依赖外部传感器状态。
10/24/11。时滞多态控制器
自多态控制器嵌入到他们的架构自治高度增益和巡航模式控制器,它可以作为一个单独的控制器在孤立静态调用外部信号不是一个连续的动态信号,定性功能分解模板提出了自主巡航和高度增益控制器在前一节中会适用于多态控制器分解到两个孤立的通用模板图像在图表示21。进一步验证上面的模板,提出一种进化的多态控制器的神经元输出孤立地评价了克鲁斯和高度获得命令(外部传感器的值“0”和“1”,职责),呈现在图32(一个)和图32 (b),分别。它可以看到从图32(一个)存在神经元2、3、6和7满足dynamics-deprived标准,并进一步饱和输出偏差时,折叠成神经元0,1,4,5,减少四的动态神经元网络及其对MFWR行为的影响,即巡航行为,匹配原始eight-neuron生成网络的行为。此外,正如预期,降低four-neuron网络相同的输出动态频率的神经元属于复合中风和旋转控制模块模板呈现在图(21日)。
(一)
(b)
前进,可以观察到从图32 (b),存在神经元1、2、3、4和7,满足动态贫困标准,并进一步饱和输出偏差时,折叠成神经元0,5日和6日four-neuron减少网络的动态及其影响MFWR行为,即高度增益行为,匹配原始eight-neuron生成网络的行为。此外,正如预期,减少four-neuron网络与两个独立的中风和旋转控制模块模板呈现在图21 (b)。因此,当面对一个适当的外部命令(传感器)值,静态的命令将被整合进现有神经元在多态控制器体系结构中,作为一个适当发展外部偏见负责转变的动态旋转和中风神经元之间自主高度增益和巡航模式控制器,产生适当的翅膀运动学MFWR如图7 (b)。此外,它可以观察到通过比较输出神经元的动力学巡航模式(如图32(一个))和高度增益模式(如图32 (b))外部传感器的动态修改过程显然是观察当巡航模式下的动态活性神经元4充斥在高度增益模式,反之亦然的动态输出神经元的6。
5。结论
作者在本文中,我们总结了之前的努力使用神经形态演化硬件(CTRNN-EH)框架成功进化运动和不同的飞行模式控制器,重点详细的飞行模式控制器。进一步引入了一个新的frequency-based分析程序,分析了不同的进化飞行模式控制器,除了提供一个简要定性分析表明进化的可接受性控制器给定上下文中飞行模式。此外,提出frequency-based分析方法已经成功地应用于发展自治和自治控制器,它确实已经证明了方法可以用于进化控制器分解成逻辑上可辩解的控制块进行进一步的控制分析。最后,它可以感知的结果和讨论,提出建议的神经形态演化硬件(CTRNN-EH)和frequency-based分析方法可以用来控制问题,类似于扑飞行领域,使用tabularasa方法。虽然并不总是一个适当的推荐使用白板方法的控制问题;它只能作为一个方法,一个适当的令人印象深刻的封闭的传统控制器是不存在的。此外,above-proposed CTRNN-EH方法也被成功地用来设计和发展混合动力控制器,与传统控制器可发展的模块基本被进化来补充传统的控制器的控制特点和丰富的动力学CTRNNs [20.]。这些CTRNN-EH-based混合控制器的出现提升了整体的鲁棒性和有效性的基本传统控制器处理不可预见的变化的假定环境控制器和控制车辆(21]。