神经机器人中的计算智能和神经科学

---

计算智能和神经科学在机器人的应用中发挥着重要的作用，它不仅提高了机器人在提高制造业生产率方面的能力，而且在智能开发方面也发挥着重要的作用，使机器人能够替代人类的思维和规划能力。近年来，神经科学已被应用于机器人，利用生物神经系统生成智能模型。机器人技术和神经科学之间的交叉突出了许多有前途的方法和应用，例如，神经机器人、大脑启发的算法和机器人设备，以及基于神经网络的导航。人工智能引领了机器人领域最重要的范式转变和改进之一。本特刊的主要目的是发表高质量的论文，关于机器人中计算智能和神经科学的理论和应用的新发展和趋势，新技术和创新方法。可能的主题包括但不限于以下内容:生物和生物医学机器人的神经网络、神经启发机器人导航、神经机器人中的决策支持系统、神经机器人中的智能故障检测与识别、神经机器人中的聚类与数据分析、基于神经网络的群机器人、协作机器人的神经模糊控制设计。以下段落总结了本期特刊上发表的最佳新颖性研究论文的主要内容。

M. Georgiev, I. Tanev，和K. Shimohara的论文《不对称形态的共同进化和捕食者-猎物追踪问题中简单捕食者代理的行为》(Coevolution of The Asymmetric形态学and The Behaviour of Simple Predator Agents in Predator- prey Pursuit Problem)集中讨论了之前的一个挑战。它使用一个简单的捕食者代理的实现，为研究良好的捕食者-猎物追踪问题引入了一个新的观点。遗传算法的实现，结果成功捕获的捕食者代理团队的猎物。研究结果可用于非对称小尺度药物输送工程、肿瘤细胞的定位和杀伤、显微成像等。

N.Berberian，M. Ross和S. Cultsier的纸质“使用突触塑性现象学模型的机器人中的运动方向歧视运动方向”审查了机器人代理中突触可塑性模型实施的可能性，以允许辨别现实世界刺激的运动方向。介绍了一种熟悉的短期突触塑性模型（STP），然后介绍了能够表现出优先的神经元的尖刺神经元对运动方向的方向刺激方向方向变化的尖刺神经元的微电路图案的发展．总的来说，该模型在描述方向选择性并应用于实际机器人中的STP功能，以验证实验方向选择性的响应特性。

本文“空间概念学习：A.Cyr和F.ThériAult的虚拟和物理机器人中的尖峰神经网络实现”提出了一个人为尖峰神经网络（SNN）。SNN维持了空间概念学习的认知抽象过程，嵌入虚拟和真实机器人。结果表明，机器人可以学习水平/垂直和左/右视觉刺激的关系。在采集学习阶段后有效地完成具有新型模式和地点的测试。结果还提出了SNN可以在奖励规则变化时实时改变其行为。

A. Antonietti等人在3D运动任务中由Adaptive BioInspired Cerebellar模块中的“人形NAO机器人的控制”。通过尖刺的神经网络专注于一辆由数千人造神经元制成的生物透露自适应模型，以实时控制人形NAO机器人。该模型向前移动并编码为尖峰。对其输出神经元的产生的尖峰活性被解码，以便在电动机致动器上产生合适的校正。通过不同的时间尺度，已经嵌入了三个双向长期可塑性规则进行不同的连接。Neurorobot成功学习了如何在扰动的上肢达到协议期间补偿外部扰动产生适当的校正。因此，尖峰大脑模型能够在机器人平台中复制生物系统如何处理外部误差来源。

在S. Kaitwanidvilai和R. Praserttaweelap的“基于神经模糊c-Means网络的SCARA机器人头部框架装配(HGA)电路检测”论文中，描述了SCARA机器人在头部框架装配(HGA)检测中的决策和控制。该方法采用一般的图像处理技术，斑点分析，结合神经模糊c-均值聚类与分枝定界(BNB)技术，在所有可能的候选结构中找到最佳结构，以提高整个系统的性能。对两种聚类方法的结果进行了分析，验证了该算法的有效性。对300个样本进行30倍显微镜检查的训练结果表明，NFC聚类的最佳精度为99.67%，传统Kohonen网络的测试结果为92.21%。该系统已在希捷科技(泰国)有限公司的硬盘生产线上成功实现。

Y. Chu等人的论文《垃圾分类回收的多层混合深度学习方法》研究了一个多层混合深度学习系统(MHS)，该系统可以自动对城市市政区域内个人处理的垃圾进行分类。该系统部署了一个高分辨率的相机捕捉垃圾图像和传感器来检测另一个有用的特征信息。MHS采用基于cnn的算法去除图像特征，采用多层感知器(MLP)方法整合图像特征和其他特征信息，将垃圾分类为可回收或其他。结果表明，在两种不同的测试场景下，分类准确率均高于90%。这明显优于仅依赖图像输入的参考cnn方法。

总之，这六篇论文展示了神经管疗法的计算智力和神经科学的积极实际研究主题。我们感谢所有作者如何向本专题提交本文并识别所有审阅者，以提供其专业知识审查和卓越的评论。我们希望这一特别问题中的所有文件都有助于相关领域的研究思路和方法发展。

利益冲突

我们声明没有利益冲突。

致谢

我们感谢编辑和Hisayuki Aoyama，东京，日本电信大学Hisayuki Aoyama，用于举办此特殊问题及其在编辑过程中的重要支持。

Somyot Kaitwanidvilai
乌玛Seeboonruang
hisayuki aoyama.
Khemraj Emrith.

版权

版权所有©2019 Somyot Kaitwanidvilai等。这是分布下的开放式访问文章知识共享署名许可，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。