Создана система навигации для роботов, курсирующих в организме человека

Автономная навигация мобильных роботов

Специалист в области Computer Science Константин Яковлев о том, как роботы строят карты, определяют свое местоположение и едут по выстроенной траектории

Поделиться статьей

Может ли беспилотный автомобиль ехать по городу без карты? Как управлять сотней коптеров одновременно? Как искусственный интеллект выбирает оптимальный маршрут? Рассказывает кандидат физико-математических наук Константин Яковлев.

Автономная навигация мобильных роботов — одна из ключевых задач в мобильной робототехнике: мобильный робот по определению должен перемещаться в окружающем пространстве. Разработчикам, исследователям и пользователям этих роботов хочется, чтобы навигация происходила в автоматическом режиме. Конечно, это требуется не всегда: если речь идет о точечной фото- или видеосъемке с помощью дрона, есть оператор, который полностью управляет его движением. Но можно представить ситуацию, когда без автономной навигации невозможно обойтись. Например, если речь идет о масштабной поисково-спасательной операции, когда работают десятки или даже сотни дронов. Найти сотню квалифицированных специалистов, которые могут в режиме реального времени управлять ими одновременно, проблематично, если не невозможно.

Половина работ по робототехнике связана именно с вопросами навигации. Иногда может показаться, что вопрос не имеет к этому отношения, но на самом деле имеет. Классический пример — распознавание пешеходов на видео. Беспилотным автомобилям нужно распознавать пешеходов по видеопотоку. При чем здесь навигация? Если подумать на шаг вперед, становится очевидно: после того как мы распознали пешехода, нам нужно внести коррективы в навигационный алгоритм. Мы должны либо экстренно затормозить, либо изменить траекторию, перепланировать маршрут. Проблемы навигации действительно сложны и с научной, и с инженерной точки зрения. Постоянно появляются новые датчики, новые робототехнические системы — хватит и на наш век, и на следующий.

Можно выделить четыре основных класса навигационных задач: локализация, картирование, планирование и следование по траектории. Локализация — это задача, которая формулируется следующим образом: у нас есть мобильный робот, известна карта окружающего пространства, но неизвестно, где он находится. При этом у мобильного робота есть датчики: радары, лазерные дальномеры, видеокамеры. С помощью информации, получаемой в реальном времени с этих датчиков, робот должен определить, где он находится, сопоставив наблюдения с имеющейся картой. Если эту задачу решать не один раз, а в течение какого-то времени, то получится след точек — траектория движения.

Обратная задача — это картирование. Наоборот, мы знаем свое точное положение в мировой системе координат. Например, у беспилотного автомобиля есть GPS-датчик, и он точно знает координаты точки, в которой находится. Локализацию делать не нужно, но мы ничего не знаем о мире вокруг нас, карты у нас нет. Нужно с помощью тех же датчиков построить модель мира, нанести на карту окружающие объекты — дома, дороги, — все правильно разметить, и, если дом левее дерева, на карте он должен быть левее. Желательно соблюсти масштаб в абсолютных единицах, чтобы мы знали размеры: до этого дома пять метров, а до дерева — семь с половиной. Это тоже сложная задача.

Еще сложнее, когда эти задачи объединяются. Бывают ситуации, когда у нас нет ни точного положения, ни карты. Например, коптер, который ведет поисково-спасательную операцию, и ему нужно найти выживших в полуразрушенном здании. Он летит до здания по открытой местности, карта есть, GPS ловит, мы все понимаем. Но как только он влетает в здание, GPS пропадает, и мы точно не знаем своего положения, потому что нет карты «внутренностей» здания, а даже если она была, то уже неактуальна из-за разрушений. Задачу навигации в такой постановке можно решать достаточно простыми алгоритмами. Есть класс алгоритмов — реактивные. В этом случае мы не берем во внимание отсутствие карты и координат, а просто летим по прямой и уклоняемся от препятствий, используя локальные простые алгоритмы из серии «обойди препятствие слева». Такой способ будет не очень эффективен, поэтому нам нужны локализация, картирование и планирование. Получается, нужно решать задачу одновременного картирования и локализации — по-английски это simultaneous localization and mapping (SLAM). Если вы спросите специалиста по робототехнике, чем он занимается, то с высокой степенью вероятности среди прочих проблем будут эти четыре буквы — SLAM.

Наиболее актуальной сейчас является постановка SLAM-задачи в контексте видеопотока. Она так и называется — visual-based simultaneous localization and mapping — одновременное картирование и локализация по видеопотоку, когда у нас из датчиков доступны только камеры, по которым мы должны восстановить модель мира, понять, где мы находимся и как двигаемся. Многие роботы могут быть оснащены только видеокамерами. На беспилотный автомобиль можно навесить много разных датчиков, поскольку он большой и выдержит приличный вес. На маленький коптер мощный лазерный дальномер уже не поставишь, зато камеры маленькие, потребляют мало энергии, и ими оснащают многие робототехнические системы. Вторая причина, почему эта задача интересна, чисто исследовательская: человек много информации воспринимает с помощью зрения, и хочется похожие принципы перенести на искусственные устройства.

Допустим, у нас есть карта, есть понимание, в какой точке мы находимся, и нам нужно теперь перемещаться в другую точку. Это следующий класс задач — задача планирования траектории. Смотрим сверху на карту. Там заштрихованы препятствия. Все остальное — это чистый лист, то есть проходимые области, свободное пространство. Нам нужно просто нарисовать линию, соединяющую точки А и Б. Здесь обычно задача сводится к задаче поиска пути на графике. Непрерывное свободное пространство содержит бесконечное число точек. Сначала мы строим его дискретную модель: накидываем опорные точки. Их уже конечное количество. Потом какие-то из этих точек по определенным алгоритмам соединяем линиями так, чтобы они не задевали заштрихованные области. Получается граф вариантов, как добираться из одной точки в другую. Наша задача — найти маршрут, который подходит больше всего, например самый короткий. Обычно это решается именно как поиск пути на графе. Используются различные эвристики — знания, которые позволяют сократить перебор вариантов и фокусируются на нашей цели.

Алгоритмы усложняются в зависимости от постановки. Сейчас мы рассмотрели простой, плоский случай. Постановка может быть трехмерной, среда неизвестной, а помимо статических могут попадаться динамические препятствия.

После того как мы начертили линию, нужно, чтобы мобильный робот по ней ехал, летел или полз. Четвертый блок задач — следование по траектории. Когда мы планировали траекторию, мы не задумывались о том, как эта линия должна выглядеть, — например, могли начертить поворот под углом 90 градусов. Это нестрашно для коптера, который может долететь до точки, повернуться на месте и полететь дальше, а вот автомобиль с места на 90 градусов не поедет. Либо нужно учитывать это на этапе планирования и усложнять задачу, либо на этапе следования возникает задача пройти вдоль построенной траектории не точно, но достаточно близко, минимизируя отклонения. Задача следования по траектории решается с помощью методов теории автоматического управления, различные регуляторы и позволяют не отклониться сильно от траектории, и учитывают кинематические и динамические ограничения конкретного объекта. Если это коптер, он не может мгновенно остановиться, ему нужно время, чтобы замедлиться.

Читать еще:  В чем разница между осевыми и радиальными вентиляторами

Важна связка следования по траектории и планирования. Все эти методы связаны между собой, эта связка особенно важна, потому что, если мы очень сильно отклоняемся от траектории, нужно посылать запрос на перепланирование и заново запускать цикл. При этом какие-то задачи могут остаться на уровне следования по траектории: если резко возникло динамическое препятствие, мы можем без тщательного перепланирования быстро сделать локальный маневр. Как человек, если на него едет велосипедист, инстинктивно отходит либо влево, либо вправо, либо замирает на месте — здесь то же самое. Контроллер может принять решение и сделать локальный маневр.

Эти основные задачи в общем виде не решены. Для каких-то отдельных постановок есть хороший прогресс, но я думаю, что хватит и нам, и будущим поколениям, чтобы совершать новые открытия, разрабатывать новые методы и алгоритмы.

Разработка роботов

Posts tagged ‘Система навигации робота’

Локализация и составление карты с помощью DP-SLAM

Данная статья основана на оригинальной публикации разработчиков алгоритма DP-SLAM

Доступность относительно недорогих сканирующих лазерных дальномеров и появление наработок в теории фильтров частиц дало толчок развитию алгоритмов локализации робота в пространстве. Изначально, карты, по которым робот должен был локализоваться, составляли вручную, хотя и было очевидно, что лазерный дальномер мог составить их намного лучше. Исходя из этих соображений, была поставлена задача: создать алгоритм, который бы проводил и локализацию, и составление карты одновременно. Решение этой задачи нашло бы множество применений на практике: проведение аварийно-спасательных работ, космических, подводных или подземных исследований.

Радиомодули rfm12b

При разработке навигационной системы мобильного робота нам были необходимы беспроводные радио модули. Сначала мы попробовали радио модули tr24. Но оказалось, что они передают на слишком малое расстояние. Следующими радио модулями, которые мы попробовали стали rfm12. Для работы с ними существует бесплатная библиотека для AVR. В этой статье я опишу как использовать эти радио модули и опишу наш опыт их использования.
Читать полностью »

Протокол с гарантией доставки для tr24a

При создании навигационной системы робота для участия в Eurobot 2011 мы решили использовать радио модули tr24. Но при работе с ними выяснилась одна проблема: иногда они теряют передаваемые пакеты. В нашей системе планировалось по радиоканалу передавать управляющие команду, поэтому потеря данных была просто недопустима. В связи с этим мне пришлось разработать протокол общения радио модулей tr24, гарантирующий доставку пакета.

Сначала в вкратце опишу, что собой представляла система. Имелось три периферийных маяка, которые должны были по радиоканалу принимать команды и выполнять некоторый набор действий. Имелся локатор на роботе противника, который должен был по радиоканалу обмениваться данными с локатором на нашем роботе. Оба локатора должны были по очереди слать команды маякам и друг другу. Аппаратно все пять устройств были выполнены идентично. Про схему подключения радио модулей tr24 в этих устройствах можете посмотреть здесь. Подробнее про навигационную систему робота — здесь.

Система навигации мобильного робота по опорным маякам

Ультразвуковой маяк

Введение

Задача определения координат робота – наиболее актуальная в большинстве областей применения мобильных роботов.

Требование проверять текущую координату некоторого центра объекта диктуется необходимостью коррекции траектории, так как при длительной работе мобильного робота, даже достаточно точное позиционирование с использованием инкрементальных энкодеров в обратной связи и регуляторов положения система стремится к удалению от действительной траектории.

Такие факторы, как столкновение с объектом, пробуксовка, а также в редких случаях отсутствие обратной связи на двигателях делают эту систему востребованной в мобильной робототехнике.

Опыт участия в европейских соревнованиях Евробот показал, что до сих ни одна команда не создала надежной системы навигации по опорным маякам.

Данная система находит применение при объезде препятствий, на которые установлен маяк.

Требования к системе – типичные для встраиваемой системы, то есть это полностью законченный модуль с открытой архитектурой, написанным программным обеспечением верхнего уровня, автономное по питанию, компактное (габариты менее 80х80х80мм), с крепежными местами.

Система может быть применена в быту для навигации по комнате, на производственной площадке больших размеров, в соревнованиях роботов, в качестве системы объезда препятствий.

Видится перспективным моделирование системы с учетом задержек, а также организации обратной связи (при сохранении устойчивости системы) для управления мобильным роботом. Читать полностью »

Создана система навигации для роботов, курсирующих в организме человека

Работа мобильных роботов сопряжена с постоянным перемещением в пределах рабочей зоны. В настоящее время подобные роботы встречаются все чаще и с каждым днем они становятся все более функциональными и сложными. По мере роста функциональности роботов растет и сложность решаемых ими задач. В настоящее время уже повсеместно встречаются автономные мобильные роботы – робокары, перемещающиеся по производственным помещениям, также стали довольно востребованы сервисные роботы – роботы для проведения экскурсий в музеях и выставочных центрах, роботы – официанты в кафе и ресторанах. Такие роботы работают в тесном контакте с окружающими объектами и людьми, поэтому к точности и безопасности их перемещений предъявляются слишком высокие требования.

В предыдущих работах уже рассматривались примеры решения задач перемещения мобильного робота в рабочей зоне. Также уделялось внимание процессу выполнения простейших маневров по объезду препятствий, встречающихся на пути.

Зачастую в реальных ситуациях мобильный робот сталкивается с препятствиями, расположенными произвольным образом в рабочей зоне, а также и с перемещающимися объектами. Каждый из таких объектов может быть потенциальным препятствием, поэтому в процессе своего движения мобильный робот должен иметь информацию обо всех объектах вблизи, чтобы в случае необходимости иметь возможность отреагировать на них.

Сбор, обработка и систематизация информации об объектах вблизи робота называется составлением локальной карты окружающего пространства. Использование локальной карты в задачах планирования маршрута робота или объезда препятствий называется локальной навигацией.

При разработке мобильных роботов нужно учитывать, какие задачи поставлены перед мобильным роботом, чтобы подобрать необходимые сенсорные устройства для их решения. Так, например, для решения задачи перемещения внутри рабочей зоны робот может быть оснащен дорогими лазерными сканирующими дальномерами и GPS-устройствами для определения собственного положения, тогда как для решения задачи локальной навигации мобильный робот может быть оснащен простыми ультразвуковыми или инфракрасными датчиками по периметру.

Рассмотрим типичную для роботов из данного образовательного модуля задачу. Нам уже не раз встречались мобильные роботы для перемещения вдоль линии, каждый из них был оснащен набором ИК-датчиков или ИК-массивом для обнаружения линии. Поскольку задача перемещения вдоль линии является главной, то в качестве основной сенсорной системы, на основании показаний которой перемещается робот, выбираем систему ИК-датчиков.

В случае если передвижению мобильного робота могут препятствовать различные объекты, по периметру робота можно расположить ИК-датчики, с помощью которых робот может обнаруживать препятствия с каждой из сторон. Количество подобных датчиков определяется возможностями программируемого контроллера, габаритами робота и объектов в зоне его функционирования.

Читать еще:  Создана бумага, позволяющая обнаружить утечку воды в коммуникациях

В рамках данной работы предлагается сконструировать робота, оснащенного тремя ИК-датчиками, расположенными спереди и по бокам робота. С помощью этих датчиков робот должен обнаруживать препятствия, возникающие по ходу его движения.

Предлагается рассмотреть ряд приемов, которые могут быть использованы разработчиками как метод усовершенствования системы управления мобильного робота, благодаря чему она сможет выполнять более широкий спектр задач.

Обнаружение объектов или неровностей поверхности в процессе движения

Достаточно часто при движении мобильных роботов по пересеченной местности возникают ситуации, в которых робот не может преодолеть то или иное препятствие на своем пути.

Очень часто разработчики мобильных роботов акцентируют свое внимание на проблемах взаимодействия робота и окружающей среды в процессе движения – это могут быть сенсорные системы для обнаружения препятствий, системы определения уровня вибраций и системы стабилизации и др.

В рамках данной части предлагается рассмотреть модель робота, анализирующего наличие препятствий на собственном пути, а также оценку возможности дальнейшего перемещения. Под этим понимается анализ рабочей поверхности, например поиск обвалов и ям на пути и т.п.

Разрабатываемый нами робот оснащается массивом ИК-датчиков для исследования поверхности по которой он перемещается и тремя ИК- датчиками, расположенными по периметру робота, для обнаружения препятствий во время движения.

Алгоритм движения робота достаточно прост – робот движется прямолинейно и если он обнаруживает препятствие у себя на пути, он совершает поворот налево, если же на пути робота встречается обрыв или область черного цвета («неровность» поверхности), робот разворачивается и едет в противоположную сторону и налево.

По большому счету программа сводится к единственному бесконечному циклу, анализирующему показания ИК-датчика, подключенного к PORT[6], а также срабатывание массива ИК-датчиков в режиме поиска препятствий.

Режим IR Obstacle Detected – это один из базовых режимов работы массива ИК-датчиков, в котором автоматически определяется факт срабатывания одного из 7 датчиков. Данная функция выбирается в меню панели управления на ряду с другими, такими как: возврат текущего значения или срабатывание по пороговому значению.

Таким образом, используя даже такие простые средства, как в данном наборе можно смоделировать и исследовать процесс применения мобильного робота в произвольной рабочей зоне. В качестве задания для закрепления результатов можно рассмотреть процесс объединения двух задач воедино — задачи следования по линии как основной рабочей и задачи, рассмотренной в данном разделе.

Объезд препятствия по периметру

Ранее нами рассматривались задачи объезда препятствий в процессе движения робота по маршруту. В предыдущих работах акцентировалось внимание на алгоритмическую составляющую – поиск препятствия и принятие решения о маневре, а под препятствием понимался объект, который объезжался роботом за один маневр.

В реальной ситуации объекты, встречающиеся на пути робота, могут обладать большими габаритами и объезд их может быть затруднен. В связи с этим, необходимо предусматривать ситуацию в которой робот будет перемещаться вокруг объекта с целью вернуться на заданную траекторию и продолжить движение дальше.

Для того чтобы мобильный робот мог обнаруживать препятствие в процессе его объезда, необходимо расположить один из ИК-датчиков сбоку. В этом случае, подъехав к объекту и начав маневр по его объезду, система управления робота будет постоянно контролировать расстояние до объекта.

Расположим три ИК-датчика на переднем бампере робота, два из них направим по обе стороны от робота, а центральный – в направлении движения. С помощью этих датчиков робот может обнаруживать объект и контролировать расстояние до него при маневрировании вокруг.

При движении робот постоянно анализирует расстояние до объекта, и в случае если расстояние меньше заданного – он отъезжает от него левее, а если больше – приближается, поворачивая направо. Если в процессе движения вдоль объекта он исчезает из виду, робот поворачивает направо, чтобы приблизиться к объекту либо объехать его с другой стороны.

Вышеуказанная процедура выполняется в цикле, описываемом программой, состоящей из четырех последовательных условий. Каждое из условий соответствует одному из рисунков: в первом случае происходит вызов функции l_slight_turn для поворота налево, во втором случае вызывается функция forward для прямолинейного движения, в третьем случае вызывается функция r_slight_turn для поворота направо и в последнем случае осуществляется поворот направо с помощью функции r_corner_turn.

Движения робота задаются традиционным образом с помощью функций, изменяющих направление и скорость вращения колес.

Отдельно рассмотрим функцию r_corner_turn, предназначенную для объезда препятствия справа. Данная функция сначала вызывает функцию forward_shortly, благодаря чему робот перемещается немного вперед, после чего вызывается функция right_turn для поворота направо. Поворот направо осуществляется до тех пор, пока расстояние до объекта станет не менее значения, задаваемого переменной thresh-old_4

Каждое из подобных условий определяется порогом срабатывания датчика, значения которого выбирается в зависимости от необходимого расстояния, на котором необходимо находиться относительно объекта при движении.

Указанные выше значения переменных threshold могут быть подобраны опытным путем, а могут быть рассчитаны на основании характеристики датчика. Каждый датчик имеет собственную характеристику – зависимость выдаваемого значения от расчетной величины. Применяемые нами ИК-датчики имеют выходную характеристику, являющуюся зависимостью интенсивности отраженного света от расстояния до объекта.

На основании приведенного графика можно подобрать такие значения переменной threshold, при которых мобильный робот будет обнаруживать объекты на заданном расстоянии и объезжать их, не приближаясь более чем положено.

Информация о характеристике датчика крайне важна при проектировании системы управления робота. Благодаря ей можно рассчитать точные перемещения исполнительного механизма, так и всего робота в целом.

Заключение

В рамках данной работы были изучены основы локальной навигации мобильных роботов и проведены эксперименты с реальной моделью робота. Методы и подходы, рассмотренные в процессе проведения эксперимента с роботом, являются достаточно общими и применимыми в любой другой аналогичной задаче.

С помощью подобных алгоритмов робот может маневрировать в среде с различными объектами и объезжать препятствия произвольных габаритов. Несмотря на кажущуюся простоту и универсальность методов необходимо заранее оценивать условия применения мобильного робота.

Невозможно разработать систему управления на все случаи жизни, в одной ситуации робот сможет применяться успешно, а в другой ему может не хватить точности перемещений или собственной маневренности для избежания столкновения с объектом.

При разработке робота должны быть учтены все влияющие на него факторы и определены методы по их оценке и компенсации. Возможно, в одном из случаев необходимо будет изменить состав сенсорной системы робота и применить более технически совершенные датчики, а в другом случае может быть достаточно применения тех же самых технических средств, но другим образом.

В рассматриваемом во второй части примере в программе управления робота применялась функция r_corner_turn, предназначенная для объезда робота справа. Принцип работы ее заключался в небольшом перемещении вперед, за время задаваемое таймером, и последующем выполнении поворота.

При выезде передней части робота за габариты объекта датчик, подключенный к PORT[5], перестает видеть препятствие, и последующий поворот осуществляется роботом вслепую. Для того чтобы робот гарантированно выехал за габариты объекта перед выполнением поворота, предлагается установить второй ИК-датчик на борту робота, но уже сзади. Благодаря этому робот сможет продолжать прямолинейное движение ровно до тех пор, пока он полностью не проедет препятствующий движению объект.

Читать еще:  Почему холодильник работает но не морозит: причины

Данный пример иллюстрирует адаптивный подход к процессу разработки системы управления робота. К сожалению, не существует универсального решения на все случаи и нельзя рекомендовать один или несколько алгоритмов, способных решить любую задачу. Разработчик должен сам определить критерии, определяющие работоспособность проектируемой системы, и предложить способы их решения и дальнейшей реализации.

Источник: Методические пособия по роботехнике для начинающих компании ООО «Экзамен-Технолаб».

Как работает система навигации нашего мозга

Что помогает нам ориентироваться в пространстве.Ученые до сих пор не знают, как именно мозг создает пространственные карты или как они используются при навигации. Но работа О «Кифа и Мозеров объясняет не просто навигационную систему мозга

Наш мозг составляет свои карты местности. Но где он их хранит? Когда обновляет? И как нам удается балансировать между четкими инструкциями «пройти прямо двадцать шагов и повернуть налево» и размытыми ощущениями вроде «помнится, я здесь уже был и также разглядывал это нелепое граффити на стене»? Quanta Magazine рассказывает об открытии в мозге системы навигации, за которое в 2014 году исследователи получили Нобелевскую премию по физиологии и медицине.

Google Maps, мощный онлайн-инструмент для создания карт, своим успехом обязан двум главным составляющим: системе GPS, которая определяет место объекта на Земле, и «личной» карте, которая содержит исчерпывающую информацию о вашем доме или любимом ресторане, куда вы любите заглядывать после работы за пончиками. Выяснилось, что наша внутренняя система навигации во многом работает похожим образом. К таким выводам пришли трое ученых, которые получили в этом году Нобелевскую премию по психологии и медицине. Приз «За открытие системы клеток в мозге, которая позволяет ориентироваться в пространстве» разделили между собой Джон О «Киф, нейрофизиолог из Университетского колледжа Лондона, и супруги-нейрофизиологи Мэй-Бритт и Эдвард Мозер из Норвежского университета естественных и технических наук.

Еще в 1971 году Джон О «Киф обнаружил специальные нейроны, «нейроны места» (place cells), которые помогают животным определять точное положение в пространстве. Гораздо позже Мозеры, ученики и последователи О «Кифа, открыли «координатные нейроны» (grid cells), необходимые для того, чтобы выстраивать правильную траекторию. Первые исследования проводились на крысах, но вскоре оба эти типа клеток были обнаружены и в мозге млекопитающих, в том числе и человека.

Такая система ориентирования может использовать и некоторые абстрактные свойства или ощущения. Так, координатные нейроны не просто реагируют на сенсорные сигналы (такие, как запах земли, например). Они выстраивают определенную внутреннюю систему координат, которую вместе с информацией от различных сенсоров используют уже нейроны места для формирования нашего ощущения пространства.

Дальнейшее изучение того, как мозг создает когнитивные карты, может привести к новым открытиям в области нейрофизиологии. «Есть какая-то глубокая связь между памятью и пространством,» — говорит Мэтью Уилсон, нейрофизиолог из Массачусетского технологического института. Кроме того, что координатные нейроны и нейроны места выполняют функцию внутренней GPS, они, возможно, еще ответственны за сохранность наших воспоминаний.

Нейроны места были найдены в гиппокампе — долгое время считалось, что именно в этой области хранится память. Если его удалить, как в случае со знаменитым пациентом Г. М., мозг теряет способность создавать новые воспоминания. Но открытие О «Кифа показало, что кроме этого гиппокамп ответственен и за навигацию.

О «Киф регистрировал электрические импульсы в гиппокампе крыс, свободно перемещавшихся в новом пространстве. Он увидел, что те или иные нейроны активизировались в зависимости от места, где находилось животное. Изменяя привычную среду, О «Киф показал, что крысы не просто реагируют на сенсорные сигналы, — дело тут в более сложном чувстве пространства.

В книге «Гиппокамп как когнитивная карта», опубликованной в 1978-м, Джон О «Киф и его соавтор Линн Нэйдел рассказывали о том, что эта пространственная система, кроме выполнения основной функции, еще упорядочивает личные воспоминания в зависимости от того, где происходили события. Скажем, когда вы сидите за кухонным столом в доме, где провели детство, вам наверняка вспоминается любимый яблочный пирог с последнего проведенного здесь дня рождения.

Три десятилетия спустя Мозеры открыли систему клеток, которые, как полагали ученые, обеспечивают пространственной информацией нейроны места. Они ставили датчики на некоторые нейроны в энторинальной области коры мозга крыс, которая связана с гиппокампом, а затем оставляли животных бегать в клетке. Составляя карту тех участков, где у крыс активизировались определенные нейроны, ученые обнаружили, что пол клетки разбивался на несколько равносторонних треугольников. Карта получилась настолько точной, что ученые сперва заподозрили сбой оборудования.

Одна из самых интересных деталей этого открытия в том, что координатные нейроны работают, даже если животное находится в полной темноте, то есть без каких-либо визуальных подсказок. «Этот факт отражает внутреннюю динамику мозга, которая, в каком-то смысле, не зависит от данных внешнего мира. Вот почему это настолько феноменальное открытие — оно дает нам возможность понять происходящие внутри процессы,» — говорит Джим Кирим, нейрофизиолог из Университета Джона Хопкинса в Балтиморе.

Ученые до сих пор не знают, как именно мозг создает пространственные карты или как они используются при навигации. Но работа О «Кифа и Мозеров объясняет не просто навигационную систему мозга — теперь нейрофизиологи могут использовать данные координатных клеток и нейронов места, чтобы ответить на множество вопросов.

Например, ученые хотят узнать больше о том, как мозг преобразует информацию о мире в электрические сигналы и как новая информация объединяется со старой. «Если мы хотим понять работу мозга, мы должны знать, как данные из зоны А преобразуются в данные для зоны Б», — говорит Джим Кирим. Процесс, в ходе которого координатные нейроны доставляют информацию до нейронов места в гиппокампе, дает возможность ученым исследовать этот вопрос.

Ученые также использовали свойства нейронов места, чтобы узнать больше о памяти. Как только крыса пробегает через лабиринт, активизируется последовательность определенных нейронов места. Когда крыса засыпает, эта последовательность вновь «проигрывается» в ее мозге — ученые считают, что это помогает перевести информацию из гиппокампа в область долгосрочной памяти.

Более свежие исследования сна показывают, что в мозге крысы будет проигрываться эта же последовательность, когда она вновь окажется в лабиринте и должна будет выбирать правильный путь. «Мы знаем, что крысы могут совершать путешествия во времени в своей голове, и мы смогли это выяснить только благодаря нейронам места», — говорит Дэвид Редиш, нейрофизиолог из Университета Миннесоты в Миннеаполисе о том, что крысы могут переживать события прошлого.

Многие исследователи считают, что память и пространство еще более тесно связаны между собой. В Древней Греции ораторы, чтобы запомнить речь, мысленно связывали каждый отрывок речи с каким-то участком дороги, ведущей через город. В основе такой мнемотехники лежит тот факт, что гиппокамп кодирует как пространственную информацию, так и автобиографические воспоминания. «Получается, что пространство — это хороший способ организации личного опыта», — резюмирует Мэтью Уилсон.

Понравилась статья? Напишите свое мнение в комментариях.
Подпишитесь на наш ФБ:

Ссылка на основную публикацию
Adblock
detector