La neurorobótica es el estudio combinado de la neurociencia , la robótica y la inteligencia artificial . Es la ciencia y la tecnología de los sistemas neuronales autónomos encarnados. Los sistemas neuronales incluyen algoritmos inspirados en el cerebro (por ejemplo, redes conexionistas), modelos computacionales de redes neuronales biológicas (por ejemplo, redes neuronales artificiales de picos , simulaciones a gran escala de microcircuitos neuronales) y sistemas biológicos reales (por ejemplo, redes neuronales in vivo e in vitro ). Dichos sistemas neuronales pueden incorporarse en máquinas con accionamiento mecánico o cualquier otra forma de actuación física. Esto incluye robots , sistemas protésicos o portátiles, pero también, a menor escala, micromáquinas y, a mayor escala, muebles e infraestructuras.
La neurorrobótica es la rama de la neurociencia que, junto con la robótica, se ocupa del estudio y la aplicación de la ciencia y la tecnología de los sistemas neuronales autónomos corpóreos, como los algoritmos inspirados en el cerebro. Se basa en la idea de que el cerebro está corpóreo y el cuerpo está integrado en el entorno. Por lo tanto, la mayoría de los neurorobots deben funcionar en el mundo real, en lugar de en un entorno simulado. [1]
Más allá de los algoritmos inspirados en el cerebro para robots, la neurorrobótica también puede implicar el diseño de sistemas robóticos controlados por el cerebro. [2] [3] [4]
Los neurorobots se pueden dividir en varias clases principales según el propósito del robot. Cada clase está diseñada para implementar un mecanismo específico de interés para el estudio. Los tipos comunes de neurorobots son aquellos que se utilizan para estudiar el control motor, la memoria, la selección de acciones y la percepción.
Los neurorobots se utilizan a menudo para estudiar los sistemas de control y retroalimentación motora , y han demostrado su mérito en el desarrollo de controladores para robots. La locomoción se modela mediante una serie de teorías de inspiración neurológica sobre la acción de los sistemas motores. El control de la locomoción se ha imitado utilizando modelos o generadores de patrones centrales , grupos de neuronas capaces de impulsar un comportamiento repetitivo, para fabricar robots que caminan con cuatro patas. [5] Otros grupos han ampliado la idea de combinar sistemas de control rudimentarios en un conjunto jerárquico de sistemas autónomos simples. Estos sistemas pueden formular movimientos complejos a partir de una combinación de estos subconjuntos rudimentarios. [6] Esta teoría de la acción motora se basa en la organización de columnas corticales , que integran progresivamente desde una entrada sensorial simple en señales aferentes complejas , o desde programas motores complejos a controles simples para cada fibra muscular en señales eferentes , formando una estructura jerárquica similar.
Otro método para el control de motores utiliza la corrección de errores aprendidos y controles predictivos para formar una especie de memoria muscular simulada . En este modelo, los movimientos extraños, aleatorios y propensos a errores se corrigen mediante la retroalimentación de errores para producir movimientos suaves y precisos a lo largo del tiempo. El controlador aprende a crear la señal de control correcta prediciendo el error. Utilizando estas ideas, se han diseñado robots que pueden aprender a producir movimientos de brazos adaptativos [7] o a evitar obstáculos en una pista.
Robots diseñados para probar teorías de sistemas de memoria animal . Muchos estudios examinan el sistema de memoria de ratas, en particular el hipocampo de la rata , que se ocupa de las células de lugar , que se activan para una ubicación específica que se ha aprendido. [8] [9] Los sistemas modelados a partir del hipocampo de la rata generalmente pueden aprender mapas mentales del entorno, incluido el reconocimiento de puntos de referencia y la asociación de comportamientos con ellos, lo que les permite predecir los próximos obstáculos y puntos de referencia. [9]
Otro estudio ha producido un robot basado en el paradigma de aprendizaje propuesto de las lechuzas comunes para la orientación y localización basada principalmente en estímulos auditivos, pero también visuales. El método hipotético implica plasticidad sináptica y neuromodulación , [10] un efecto principalmente químico en el que los neurotransmisores de recompensa como la dopamina o la serotonina afectan la sensibilidad de disparo de una neurona para que sea más aguda. [11] El robot utilizado en el estudio coincidió adecuadamente con el comportamiento de las lechuzas comunes. [12] Además, la estrecha interacción entre la salida motora y la retroalimentación auditiva resultó ser vital en el proceso de aprendizaje, lo que respalda las teorías de detección activa que están involucradas en muchos de los modelos de aprendizaje. [10]
En estos estudios, a los neurorobots se les presentan laberintos o patrones simples para aprender. Algunos de los problemas que se les presentan incluyen el reconocimiento de símbolos, colores u otros patrones y la ejecución de acciones simples basadas en el patrón. En el caso de la simulación de la lechuza, el robot tuvo que determinar su ubicación y dirección para navegar en su entorno.
Los estudios de selección de acciones se ocupan de la ponderación positiva o negativa de una acción y su resultado. Los neurorobots pueden y han sido utilizados para estudiar interacciones éticas simples, como el experimento mental clásico en el que hay más personas de las que caben en una balsa salvavidas y alguien debe abandonar el bote para salvar al resto. Sin embargo, la mayoría de los neurorobots utilizados en el estudio de la selección de acciones se enfrentan a persuasiones mucho más simples, como la autoconservación o la perpetuación de la población de robots en el estudio. Estos neurorobots están modelados a partir de la neuromodulación de las sinapsis para estimular circuitos con resultados positivos. [11] [13]
En los sistemas biológicos, los neurotransmisores como la dopamina o la acetilcolina refuerzan positivamente las señales neuronales que son beneficiosas. Un estudio de dicha interacción involucró al robot Darwin VII, que utilizó información visual, auditiva y una simulación de sabor para "comer" bloques metálicos conductores. Los bloques buenos elegidos arbitrariamente tenían un patrón de rayas, mientras que los bloques malos tenían una forma circular. El sentido del gusto se simuló mediante la conductividad de los bloques. El robot tenía retroalimentaciones positivas y negativas al gusto en función de su nivel de conductividad. Los investigadores observaron al robot para ver cómo aprendía sus comportamientos de selección de acciones en función de las entradas que tenía. [14] Otros estudios han utilizado manadas de pequeños robots que se alimentan de baterías esparcidas por la habitación y comunican sus hallazgos a otros robots. [15]
Los neurorobots también se han utilizado para estudiar la percepción sensorial, en particular la visión. Se trata principalmente de sistemas que resultan de la incorporación de modelos neuronales de vías sensoriales en autómatas. Este enfoque permite conocer las señales sensoriales que se producen durante el comportamiento y también permite una evaluación más realista del grado de solidez del modelo neuronal. Es bien sabido que los cambios en las señales sensoriales producidas por la actividad motora proporcionan pistas perceptivas útiles que los organismos utilizan ampliamente. Por ejemplo, los investigadores han utilizado la información de profundidad que surge durante la replicación de los movimientos de la cabeza y los ojos humanos para establecer representaciones sólidas de la escena visual. [16] [17]
Los robots biológicos no son oficialmente neurorobots en el sentido de que no son sistemas de IA de inspiración neurológica, sino tejido neuronal real conectado a un robot. Esto emplea el uso de redes neuronales cultivadas para estudiar el desarrollo cerebral o las interacciones neuronales. Por lo general, consisten en un cultivo neuronal criado en una matriz multielectrodo (MEA), que es capaz de registrar la actividad neuronal y estimular el tejido. En algunos casos, el MEA está conectado a una computadora que presenta un entorno simulado al tejido cerebral y traduce la actividad cerebral en acciones en la simulación, además de proporcionar retroalimentación sensorial [18]. La capacidad de registrar la actividad neuronal brinda a los investigadores una ventana al cerebro, que pueden usar para aprender sobre una serie de los mismos problemas para los que se usan los neurorobots.
Un área de preocupación en relación con los robots biológicos es la ética. Se plantean muchas preguntas sobre cómo abordar estos experimentos. La pregunta central se refiere a la conciencia y a si el cerebro de la rata la experimenta o no. Existen muchas teorías sobre cómo definir la conciencia. [19] [20]
Los neurocientíficos se benefician de la neurorobótica porque les proporciona una pizarra en blanco para probar varios métodos posibles de funcionamiento cerebral en un entorno controlado y comprobable. Si bien los robots son versiones más simplificadas de los sistemas que emulan, son más específicos, lo que permite realizar pruebas más directas del problema en cuestión. [10] [21] También tienen la ventaja de ser accesibles en todo momento, mientras que es más difícil monitorear grandes porciones de un cerebro mientras el ser humano o el animal está activo, especialmente neuronas individuales. [22]
El desarrollo de la neurociencia ha dado lugar a tratamientos neuronales, entre los que se incluyen fármacos y rehabilitación neuronal. [23] El progreso depende de una comprensión intrincada del cerebro y de cómo funciona exactamente. Es difícil estudiar el cerebro, especialmente en humanos, debido al peligro asociado con las cirugías craneales. Los neurorobots pueden mejorar la gama de pruebas y experimentos que se pueden realizar en el estudio de los procesos neuronales.