Faculté informatique et communications IC, Section d'informatique, Institut des systèmes informatiques et multimédias ISIM

A connectionist model of spatial learning in the rat

Strösslin, Thomas ; Gerstner, Wulfram (Dir.)

Thèse sciences Ecole polytechnique fédérale de Lausanne EPFL : 2004 ; no 2951.

Ajouter à la liste personnelle
    Summary
    When animals explore an environment, they store useful spatial information in their brains. In subsequent visits, they can recall this information and thus avoid dangerous places or find again a food location. This ability, which may be crucial for the animal's survival, is termed "spatial learning". In the late 1940s, theoretical considerations have led researchers to the conclusion that rats establish a "cognitive map" of their environment. This spatial representation can then be used by the animal in order to navigate towards a rewarding location. In 1971, researchers have for the first time found direct evidence that the hippocampus, a brain area in the limbic system, may contain such a cognitive map. The activity of neurons in the hippocampus of rats tends to be highly correlated with the animal's position within the environment. These "place cells" have since been the target of a large body of research. Apart from spatial learning, the hippocampus seems to be involved in a more general type of learning, namely in the formation of so-called "episodic memories". Models of hippocampal function could thus provide valuable insights for the understanding of memory processes in general. Insights from animal navigation could also prove beneficial for the design of autonomous mobile robots. constructing a consistent map of the environment from experience, and using it for solving navigation problems are difficult tasks. Incorporating principles borrowed from animal navigation may help building more robust and autonomous robots. The main objective of this thesis is to develop a neural network model of spatial learning in the rat. The system should be capable of learning how to navigate to a hidden reward location based on realistic sensory input. The system is validated on a mobile robot. Our model consists of several interconnected brain regions, each represented by a population of neurons. The model closely follows experimental results on functional, anatomical and neurophysiological properties of these regions. One population, for instance, models the hippocampal place cells. A head-direction system closely interacts with the place cells and endows the robot with a sense of direction. A population of motor-related cells codes for the direction of the next movement. Associations are learnt between place cells and motor cells in order to navigate towards a goal location. This study allows us to make experimental predictions on functional and neurophysiological properties of the modelled brain regions. In our validation experiments, the robot successfully establishes a spatial representation. The robot can localise itself in the environment and quickly learns to navigate to the hidden goal location.
    Zusammenfassung
    Wenn ein Tier seine Umgebung erkundet, werden nützliche Informationen in seinem Gehirn gespeichert. Zu einem späteren Zeitpunkt können diese Informationen abgerufen werden und dem Tier helfen, gefährliche Orte zu umgehen oder eine zuvor entdeckte Nahrungsquelle wiederzufinden. Diese lebenswichtige Fähigkeit wird "räumliches Lernen" genannt. Um 1948 haben Verhaltensforscher aus theoretischen Gründen postuliert, dass die Ratte eine "kognitive Karte" ihrer Umgebung erstellt. Diese Karte wird dann verwendet, um einen Zielort aufzusuchen. 1971 wurde zum ersten Mal ein direkter Hinweis gefunden, dass der Hippocampus, eine Gehirnregion im limbischen System, eine kognitive Karte enthalten könnte. Die neuronale Aktivität im Hippocampus der Ratte scheint im Zusammenhang mit dem Aufenthaltsort des Tiers zu stehen. Diese sogenannten "Ortszellen" sind seither das Ziel vieler wissenschaftlicher Studien. Der Hippocampus scheint nicht nur am räumlichen Lernen, sondern an einer generelleren Form von Lernen beteiligt zu sein, nämlich an der Bildung von "episodischem Gedächtnis". Mathematische Modelle dieser Hirnregion könnten wichtige Beitr äge zum Verständnis von Gedächtnisfunktionen leisten. Aus den Navigationsmechanismen bei Tieren gewonnene Einsichten könnten sich auch beim Entwurf von autonomen Robotern als nützlich erweisen. Die auf Erfahrung basierte Erstellung einer Umgebungskarte und deren Gebrauch für Navigationsprobleme sind komplizierte und schwierige Aufgaben. Das Einbinden von Prinzipien aus der Tiernavigation könnte helfen, fehlerunanfälligere und autonomere Roboter zu konzipieren. Das Hauptziel dieser Doktorarbeit liegt in der Entwicklung eines Modells für räumliches Lernen bei der Ratte mittels eines neuronalen Netzwerks. Das System soll in der Lage sein, in einer realistischen Umgebung an einen versteckten Zielort zu navigieren. Das System wird auf einem mobilen Roboter getestet. Unser Modell besteht aus mehreren vernetzten Gehirnregionen, wobei jede durch eine Zellpopulation repräsentiert wird. Dabei werden funktionelle, anatomische und neurophysiologische Eigenschaften dieser Regionen berücksichtigt. Eine Population modelliert zum Beispiel die Ortszellen im Hippocampus. Ein Richtungssystem interagiert ständig mit den Ortszellen und stattet den Roboter mit einem Orientierungssinn aus. Eine Population von Aktionszellen kodiert die Richtung der nächsten Bewegung. Für die Zielgerichtete Navigation werden Assoziationen zwischen Ortszellen und Aktionszellen gelernt. Die vorliegende Studie erlaubt funktionelle und neurophysiologische Voraussagen über die modellierten Gehirnregionen. In unseren Experimenten erstellt der Roboter erfolgreich Umgebungskarten, mit deren Hilfe er sich lokalisieren kann. In kurzer Zeit lernt er, zum versteckten Ziel zu navigieren.