Sensorische Systeme/ Regelungssysteme

Einführung zu Regelungssystemen

Was ist ein Regelkreis?

Regelkreise sind praktisch überall. Von technischen Geräten wie Autos und Telefonen bis hin zu Küchengeräten wie Toastern und Kühlschränken oder Sanitärsystemen wie einer Temperaturregelung in der Dusche – egal, auf welchen Teil des Hauses man den Blick lenkt, die Chancen stehen sehr gut, dass eines der vorhandenen Geräte einen Regelkreis enthält.

Definition eines Regelkreises

Im Allgemeinen können Regelkreise als eine Verbindung von Komponenten angesehen werden, die einen Eingangswert in den gewünschten Ausgangswert umwandeln ^[1] - ähnlich einer (mathematischen) Funktion, aber im wirklichen Leben komplizierter.

Ein Beispiel ist ein vereinfachtes Ampelsystem: Es gibt einen Kanal, der als Eingangswerte 1, 2 oder 3 als Äquivalente für rotes, orangefarbenes und grünes Licht verwenden kann, und es wird auf einem der drei Lichtsignalkanäle ein entsprechendes Lichtsignal ausgegeben. Der Regelkreis würde sicherstellen, dass nur eines der Lichter eingeschaltet ist, während die anderen für die Dauer der Phase ausgeschaltet sind.

Ein Regelkreis erhält ein Eingangssignal und wandelt es mithilfe eines geregelte Prozesses in ein Ausgangssignal um.

Ein komplizierteres Beispiel wäre ein Thermostat. Der Thermostat reagiert auf die Raumtemperatur und stellt sicher, dass die gewünschte Temperatur erreicht wird. Dies geschieht durch eine Rückkopplungsschleife, die zu einem späteren Zeitpunkt näher erläutern wird. Der Thermostat verfügt über einen Detektor, der die Temperatur misst und diese an den Komparator weiterleitet, der die gewünschte und gemessene Temperatur vergleicht. Wenn der Komparator eine Differenz zwischen der gemessenen und der gewünschten Temperatur feststellt, gibt er diese Information an einen Effektor weiter, beispielsweise eine Klimaanlage, die auf Basis dieser Informationen eingeschaltet wird und anschließend den Raum abkühlt. Dies geschähe in Schleifen, was bedeutet, dass der Detektor des Thermostats nach einer bestimmten Zeit ein neues Signal sendet und der Zyklus von vorne beginnt. Weitere technische Beispiele finden Sie in dem Buch von Dorf und Bischop ^[1].

Kontrollsysteme sind, anders als man annehmen könnte, nicht nur künstliche Konstrukte, sondern können auch in biologischen Systemen identifiziert werden. Beispielsweise bei der Gleichgewichtsregelung, einem sehr heiklen und komplexen System mit vielen Ein- und Ausgangskanälen, fungiert das Kleinhirn als wichtige Integrationsstufe. Wie folgenden Abschnitten zu entnehmen ist, fungiert das Cerebellum jedoch nicht nur als einfacher Feedforward- oder Feedback-Regelkreis, sondern als beides gleichzeitig.

Biologische Regelkreise – Der Gleichgewichtssinn

Der Gleichgewichtssinn ist im Wesentlichen ein biologischer Regelkreis, in dem drei sensorische Systeme integriert sind, die hauptsächlich Signale als Feedback für den Bewegungsapparat erzeugen, um die Körperhaltung und -stabilität aufrechtzuerhalten.^[2]

Die Eingangssignale des Gleichgesichtssinnes sind:

Somatosensorisches System (Englisch) (propriozeptiv & taktil)
Vestibuläres System (Englisch)
Visuelles System (Englisch)

Auf der Ebene der Integration ist das Kleinhirn (Cerebellum) für die Koordination des motorischen Verhaltens verantwortlich und für unser Bewusstsein nicht zugänglich. Es wird jedoch stark von der Großhirnrinde beeinflusst, deren Projektionen den größten Strom von Eingangssignalen in das Kleinhirn ausmachen ^[3]. Darüber hinaus ist der Hirnstamm ein weiterer wichtiger Relaispunkt für eingehende und ausgehende sensorische Informationen aller drei Eingänge in das Gleichgewichtssystem. Seine Aufgabe besteht hauptsächlich darin, die eingehenden Informationen zu sortieren und es dem Kleinhirn zu ermöglichen, auf die aktuelle Situation am effizientesten zu reagieren.

Die endgültigen motorischen Ausgangssignale werden durch den Hirnstamm und das Kleinhirn vermittelt und umfassen den vestibulookulären Reflex (VOR), die Bewegung der Augenmuskeln, um die Sichtlinie aufrechtzuerhalten, und schlussendlich auch die notwendige Kontrolle der Muskeln, um Veränderungen der Haltung vorzunehmen und das allgemeine Gleichgewicht aufrechtzuerhalten.

Regelkreise - Übersicht

Kontinuierliche und zeitdiskrete Systeme

Im Allgemeinen sind alle Regelkreise entweder zeitkontinuierliche oder zeitdiskrete Systeme, basierend auf dem Typ der Eingangssignale. Ein Eingangssignal ist zeitkontinuierlich, wenn es für jeden Wert im betrachteten Bereich definiert ist. In der Praxis bedeutet dies, dass es einen konstanten Strom eingehender Informationen gibt, der zur Erzeugung eines konstanten Ausgangsstroms verwendet wird (Konstante hat in diesem Zusammenhang nicht die gleiche Bedeutung wie in der mathematischen Definition).

Ein diskretes Eingangssignal wäre ein oder mehrere separate Signale, die um eine bestimmte Zeitspanne, welche länger als die Abtastzeit in kontinuierlichen Systemen ist, voneinander getrennt sind. Diskrete Systeme haben eine zählbare Anzahl von Zuständen und werden auch oft als analoge Systeme bezeichnet. Die zählbaren Zustände erzeugen jeweils ein zählbares Ausgangssignal.

SISO und MIMO Systeme

Wie der Name bereits andeutet, verfügen “Single Input Single Output” (SISO) Systeme über einen einzigen Eingang und einen einzigen Ausgang. MIMO-Systeme sind “Multiple Input Multiple Output”-Systeme, die mehr als einen Eingang und mehr als einen Ausgang haben. Aufgrund ihrer sich schnell ändernden Interaktionen ist die MIMO-Systemdynamik für den menschlichen Beobachter nur schwer im Detail nachzuvollziehen. Für SISO-Systeme können Bode-, Nyquist- und Nichols-Diagramme verwendet werden, um das System zu analysieren. Beispiele für MIMO-Systeme sind im Bereich der drahtlosen Kommunikation zu finden. Diese sind durch die Verwendung von Smartphones vertraut, nämlich 3G-, 4G- und LTE-Systeme. Im Gegensatz dazu kann man ein SISO-System abbilden, indem man an ein Funksystem mit nur einer Antenne im Sender und auch im Empfänger denkt.

Systeme mit offenem und geschlossenem Regelkreis

Systeme mit einem offenen Regelkreis verwenden einen Controller um den Prozess entsprechend dem gewünschten Ausgangssignal zu modifizieren.

Systeme mit einem offenen Regelkreis (Open-Loop-Systeme) sind wahrscheinlich die Einfachsten der Regelkreisfamilie, da sie kein Rückkopplungssignal berücksichtigen. Offene Systeme steuern das Ausgangssignal über ein Stellglied, auch Controller genannt.

Systeme mit einem geschlossenem Regelkreis sind komplexer, da sie Messeinheiten verwenden, die das Ausgangs- oder Rückkupplungssignal zu Beginn des Regelkreises in einen Komparator zurückführen. Der Komparator vergleicht dann die gewünschte Ausgabe mit dem Rückkopplungssignal und sendet somit eine nachgeschaltete Nachricht an die Steuerung, die ihn auffordert, Maßnahmen zur Aufrechterhaltung oder Annäherung an die gewünschte Ausgabe zu ergreifen. ^[1].

Feedback- und Feedforward-Systeme

Feedback-Systeme

In der Beschreibung des geschlossenen Regelkreises wurde das Rückkopplungssystem (Feedback-System) bereits kurz adressiert, allerdings wird dieser Regelkreis nun noch einmal im Detail erläutert, da die es wichtig ist, explizit zwischen Rückkopplungs (Feedback)- und Vorwärtskopplungs (Feedforward)-Systemen zu unterscheiden. Rückkopplungssysteme sind üblicherweise so ausgelegt, dass sie über das vorgenannte Rückkopplungssignal und einen konstanten Anpassungsprozess zwischen dem Rückkopplungssignal und dem gewünschten Ausgang im Rahmen des Komparators eine bestimmte Beziehung zwischen einem Eingangs- und einem Ausgangssignal aufrechterhalten. Rückkopplungssysteme sind sehr effektiv, wenn die Geschwindigkeit der Rückkopplungsübertragung und -verarbeitung größer ist als das tatsächliche Ausgangssignal. Diese Ungleichheit ist erforderlich, um genügend Zeit für den Vergleich und die Integration des Resultates bereitzustellen, da die Rückkopplung andernfalls ohne Wirkung wäre.

Feedforward-Systeme

Feedforward-Systeme sind jedoch in der Lage, sehr schnelle Ausgangssignale zu verarbeiten. Das Hauptprinzip von Feedforward-Systemen besteht darin, dass erst nach Abschluss der Berechnung ein Ausgangssignal generiert wird. Bei der Berechnung werden nur die Eingangssignale oder Umgebungsfaktoren berücksichtigt. Aus der Auswertung des aktuellen Systems und der Eingangssignale ergibt sich dann ein Steuersignal, das nach Durchlaufen der Auswertestufe nicht mehr verändert werden kann. Daher hat in reinen Feedforward-Systemen das aktuelle Ausgangssignal keinen Einfluss auf das darauffolgende Ausgangssignal, wodurch eine schnelle Reaktion des Systems auf seine Umgebung ermöglicht wird. Der Nachteil eines solchen Systems besteht jedoch darin, dass es immer eine Verzögerung zwischen seiner ersten Nutzung mit einer Versuchs- und Fehlerphase und dem Stadium gibt, in dem es gut etabliert ist. Um die besten Ergebnisse zu erzielen, muss ein Feedforward-System eine Lernphase durchlaufen, deren Länge von der jeweiligen Aufgabe abhängig ist.

Zusammenfassend: Der Unterschied zwischen Feedforward- und Feedback-Systemen ist, dass das Feedback-System während der Kontrolle der Bewegung sensorische Informationen nutzt, um das Fehlersignal zu erzeugen, wohingegen Feedforward-Systeme die sensorischen Informationen verwerten bevor ein Signal zur Kontrolle der Bewegung generiert wird.

Lineare and Nichtlineare Systeme

Lineare Regelkreise

Bei der linearen Regelung handelt es sich um Systeme, die dem Überlagerungsprinzip folgen, das heißt das Ausgangssignal des Systems ist proportional zum Eingangssignal. Eine Hauptunterklasse der linearen Regelungssysteme ist das lineare zeitinvariante System (LTI system). Die grundlegenden Merkmale der LTI-Systeme können in Linearität und Zeitinvarianz zusammengefasst werden.

Linearität:

Wird das Eingangssignal linear geändert, z. B. skaliert oder summiert, wird das Ausgangssignal auf dieselbe lineare Weise geändert.

Zeitinvarianz:

Das Ausgangssignal behält den Zeitbezug zum Eingangssignal des Systems bei. Mit anderen Worten erhält ein zeitinvariantes System ein Eingangssignal X(t), das ein Ausgangssignal Y(t) produziert. Im nächsten Zeitschritt wird das Ausgangssignal Y(t+t $_{0}$ ) durch das Eingangssignal X(t+t $_{0}$ ) hervorgerufen wo t $_{0}$ die verstrichene Zeit zwischen den Zeitschritten ist.

Darüber hinaus können die LTI-Systeme Speicher haben, können invertiert werden, sind nur von aktuellen und vergangenen Ereignissen abhängig, haben reale Ein- und Ausgänge und können für jeden begrenzten Eingang ein begrenztes Ausgangssignal erzeugen. Als eine Summe all dieser Merkmale ist eine allgemeine Form einer LTI-Systemausgabe wie folgt definiert, wobei y[n] das Ausgangssignal und x[n] das Eingangssignal zum Zeitpunkt nist und die Konstanten c_k und d_j für das vorherige Ein- und Ausgangssignal stehen:

$y[n]=c_{0}y[n-1]+c_{1}y[n-2]+...+c_{k-1}y[n-k]+d_{0}X[n]+d_{1}x[n-1]+...+d_{j}x[n-j]$

Allgemeine Form des LTI-Systems in einer Operatorgleichung:

${\begin{alignedat}{2}Y&=c_{0}RY+c_{1}R^{2}Y+...+c_{k-1}R^{k}Y+d_{0}X+d_{1}RX+...+d_{j}R^{j}X\\&=Y(c_{0}R+c_{1}R^{2}+...+c_{k-1}R^{k})+X(d_{0}+d_{1}R+...+d_{j}R^{j})\\\end{alignedat}}$

Der Quotient der Ausgangs- und Eingangssignale:

${\frac {Y}{X}}={\frac {d_{0}+d_{1}R+...+d_{j}R^{j}}{1-c_{0}R-c_{1}R^{2}-...-c_{k-1}R^{k}}}$

Die Systemfunktion des LTI-Systems:

${\frac {Y}{X}}={\frac {d_{0}+d_{1}R+d_{2}R^{2}+...}{n_{0}+n_{1}R+n_{2}R^{2}+...}}$

Die Übertragungsfunktion für jedes LTI-System:

${\frac {Y(S)}{X(S)}}={\frac {n_{0}+n_{1}S+n_{2}S^{2}+...}{d_{0}+d_{1}S+d_{2}S^{2}+...}}$

Die Koeffizienten des Zählers ( $n$ ) und des Nenners ( $d$ ) charakterisieren die Übertragungsfunktion eindeutig. Diese Notation wird von einigen Rechentools wie Simulink, Matlab, verwendet, um die Reaktion eines solchen Systems für ein bestimmtes Eingangssignal zu simulieren.^[4]

Nichtlineare Regelkreise

Die nichtlinearen Regelkreise sind von größerer Bedeutung als lineare Regelsysteme, da die meisten realen Systeme nichtlineare Überlagerungsregeln nicht berücksichtigen, zeitvariant sind oder beide Fälle erfüllen. Beispielsweise ist das in dem vorherigen Abschnitt erwähnte Thermostat-System ein Beispiel für die nichtlineare Regelung. Das menschliche Gleichgewichtssystem, ein komplexes und empfindliches Modell, ist auch von nichtlinearen Systemen geprägt.

Neben vielen nichtlinearen Ansätzen ist das Gain-Scheduling eine der beliebtesten nichtlinearen Regelungsmethoden. Dieser Mechanismus verwendet eine Vielzahl von linearen Reglern, um eine nichtlineare Aufgabe in eine Reihe von linearen Unteraufgaben zu zerlegen, wodurch die komplizierte nichtlineare Analyse zu kleineren und plausibleren Aufgaben vereinfacht wird.

Der Gain-Scheduling-Controller kann mit Simulink wie in den folgenden drei, von Matlab angegebenen, Schritten entworfen werden^[5]:

Linearisieren Sie das nichtlineare Anlagenmodell gleichzeitig mit einem linearen Modell
Stellen Sie die Reglerverstärkung für alle linearen Anlagenmodelle ein
Implementieren Sie eine Regelungsarchitektur mit Gain-Scheduling, bei der Reglerverstärkungen mit einer Planungsvariablen, wie einer gemessenen Ausgabe oder einem Systemstatus, „geplant“ werden

Obwohl ein nichtlineares System den realen Problemen ähnlicher sein kann als das lineare Modell, erschwert die mit dem nichtlinearen Modell einhergehende Komplexität Wissenschaftlern und Forschern die Erforschung unbekannter Teile in Bereichen wie der menschlichen Haltungskontrolle und der Robotik. Daher werden zur Vereinfachung häufig lineare Regelungsmechanismen bei der Analyse einer nichtlinearen Aufgabe implementiert.

Das Kleinhirn als Master-Controller in Feedforward- und Feedback-Schleifen

Position des Kleinhirns im menschlichen Gehirn.

Oft unterschätzt, kann das Kleinhirn als einer der wichtigsten Relaispunkte (oder Komparator in Bezug auf die Regelungstheorie) in unserem Gehirn angesehen werden, der nicht nur die lebenswichtigen kognitiven Funktionen reguliert, sondern auch die motorische Steuerung und das Gleichgewicht. Es erhält Projektionen aus der Großhirnrinde, aber auch direkt aus anderen Regionen wie den Colliculi superiores, dem inferioren Olivenkern, dem Rückenmark und dem vestibulären Labyrinth und deren Nuclei ^[3]. Die beiden letztgenannten Strukturen sind im Hinblick auf das Gleichgewichtskontrollsystem von besonderem Interesse, da das Rückenmark die Axone aus dem propriozeptiven und taktilen somatosensorischen System beherbergt und der Nerv aus dem vestibulären Labyrinth dem Kleinhirn Informationen über den Status des vestibulären Systems liefert.

Integration sensorischer Informationen durch das Kleinhirn

Wenn Sie die genaue Funktionsweise jedes einzelnen Neurons im Kleinhirn verstehen würden, würden Sie mit Sicherheit sofort den Nobelpreis erhalten. Wie bei allen gehirnbezogenen Regelungssystemen ist es sinnvoll, eine höhere Abstraktionsebene zu betrachten. Das Kleinhirn beherbergt zwei spezielle Arten von Neuronen, nämlich die Purkinjezellen und die tiefen Kleinhirn-Kernzellen (Englisch), die im Wesentlichen unsere Sensoren im Kontext des Regelungssystems sind und über Moosfasern (Englisch) und Kletterfasern (Englisch). Moosfasern übertragen meist die Informationen über das gewünschte Ausgangssignal, Kletterfasern sind darauf spezialisiert, sensorische Informationen über den aktuellen Zustand des Systems sowie bereits verarbeitete Fehlersignale zu übertragen.

All diese Informationen werden hauptsächlich von Purkinje-Zellen und tiefen Kleinhirn-Kernzellen verarbeitet, deren Aktivierungsmuster für verschiedene Arten von Bewegungen charakteristisch sind. Wenn wir nur eine einfache Handbewegung betrachten, stellt sich heraus, dass die Aktivierungsmuster dieser Zellen für diese spezifische Bewegung charakteristisch sind. Das heißt, eine bestimmte Gruppe dieser Zellen erfährt eine noch stärkere charakteristische Aktivierung im Vergleich zu ihrer tonischen Grundzustandsaktivierung. Jede Bewegung und jeder Aspekt davon, sei es die Ausdehnung oder Kontraktion bestimmter Muskeln, die Position eines Gelenks, die Stabilitätskonfiguration eines Fußes, ist in diesen Aktivierungsmustern der Purkinjezellen und der tiefen zerebralen Kernzellen codiert.^[6]

Zusätzlich zum Erfassen einer stattfindenden Bewegung können die oben genannten Zellen auch mögliche Fehler im Bewegungsmuster erkennen und so eine fehlerhafte Position korrigieren, um das Gleichgewicht aufrechtzuerhalten. Die Zellen vergleichen im Wesentlichen die Muster der konvergenten Aktivität untereinander. Stimmen ihre Ergebnisse nicht überein, stellen sie einen Fehler fest. In diesem Fall können die Purkinje-Zellen Korrektursignale in das System einspeisen, um zu versuchen, die Bewegung zu korrigieren, bevor der Körper aus dem Gleichgewicht gerät ^[6], und somit als Kontrollsystem-Komparator fungieren. Wie wir bereits sehen können, scheint dieses System eine Mischung aus einem Feedforward- und einem Feedback-System zu sein, da Fehlersignalinformationen mit erweiterten sensorischen Informationen kombiniert werden, die nicht direkt von dem Ausgangssignal des Systems abhängen. Dies hat den Vorteil, dass das biologische System die Vorteile des Feedforward- und Feedback-Systems kombinieren kann, um auf unterschiedliche Arten von Umweltanforderungen zu reagieren. Das heißt, das Kleinhirn verwendet den Rückkopplungsmechanismus für eine langsamere Bewegungssteuerung und das Feedforward-System für Bewegungen, die schnelle Reaktionen erfordern. Die Haltungskontrolle zum Beispiel ist eine Aufgabe des Kleinhirns, die eine Rückmeldung vom somatosensorischen System des Körpers erfordert und im Vergleich zu, zum Beispiel, dem vestibulookulären Reflex langsam ist, da dieser eine Feedforward-Regelung nutzt.

Auffällig ist jedoch, dass anstatt die Signale direkt an die Motor-Effektor-Systeme selbst zu senden, alle Informationen über die anderen Teile des Kleinhirns zu einem zentralen Rechenknoten geleitet werden, den kleinen Gehirnkernen, die die Engpass-Integratoren und -Prozessoren in dieser sensiblen Schaltung sind. Die genaue Funktionsweise dieser Kerne ist kaum bekannt, aber es ist bekannt, dass hier alle zeitlichen und räumlichen Merkmale der nachgeschalteten Signalübertragung gesteuert werden ^[7]. Dieser Vergleich könnte nicht stattfinden, wenn keine Erinnerung an die ‘richtige’ Positionierung der Gliedmaßen und Gelenke für die Aufrechterhaltung des Gleichgewichts vorhanden wäre, weshalb das Kleinhirn auch häufig als Schlüsselelement für die Bildung und Wiederherstellung des dynamischen Muskelgedächtnisses beschrieben wurde ^[8].

Das Kleinhirn erhält jedoch auch weitere Informationen aus Gehirnbereichen höherer Ebene, was unserem Regelungsmodell in der Realität mehrere Komplexitätsebenen hinzufügt, die jedoch in dem präsentierten, vereinfachten Modell weggelassen wurden. Man muss daher immer berücksichtigen, dass biologische Systeme in der Regel komplexer sind als ihre künstlichen Nachbildungen, und die Aussagekraft von Schlussfolgerungen, die aus diesen Modellen gezogen werden, stets limitiert in Bezug auf die Relevanz der unbekannten Parameter ist.

Computersimulationen der menschlichen Körperhaltung

Multisensorische Integration

Die Kontrolle des menschlichen Gleichgewichts erfordert die kollektiven Anstrengungen des sensorischen und zentralen Nervensystems (ZNS) sowie des menschlichen Körpers, um den äußeren Störungen wie der Schwerkraft entgegenzuwirken. Jegliche Änderungen in den multisensorischen Eingangssignalen lösen sofortige Änderungen im ZNS aus, um das Gleichgewicht aufrechtzuerhalten. Noch wichtiger ist, dass solche Änderungen auf Abschätzungen unvorhergesehener Szenarien anhand von Änderungen der multisensorischen Eingangssignale beruhen. Dieses faszinierende Regelungsverhalten hat Neurologen und Ingenieure mit Modellen dazu inspiriert, das Mysterium vom Verständnis der menschlichen Haltungskontrolle zu erforschen und Algorithmen zu entwickeln, die in der Robotik implementiert sind. Die multisensorische Integration ist wahrscheinlich der faszinierendste Aspekt beim Verständnis des Gleichgewichtskontrollsystems. Dieses Konzept wurde in menschlichen Experimenten gut aufgezeigt. In diesen Experimenten wurden Probanden unter verschiedenen Bedingungen mit einer modulierten kombinierten Stimulation von Sehvermögen, vestibulärer Empfindung und Berührung getestet. Jede Modulation der sensorischen Eingangssignale führte zu einer signifikanten Änderung der Körperhaltung der Probanden. Diese Studie liefert Belege für die multisensorische Integration.^[9]

Gewichtungs- und Neugewichtungssystem

Die Mysterien des Integrationsmechanismus führen uns zu den Kernprozessen der multiplen Integration: “Gewichtung und Neugewichtung”. Der Prozess der sensorischen Neugewichtung spielt eine entscheidende Rolle bei der Erhaltung der Körperhaltung des Menschen. Dabei werden verschiedene sensorische Eingangssignale basierend auf unterschiedlichen Bedingungen und sensorischen Informationen integriert und dynamisch reguliert. In Computersimulationen kann sich das Modell mit Parametern, die verschiedene Komponenten der Umgebungsbedingungen darstellen, dynamisch an die Änderungen in der Umgebung anpassen. In dem Modell werden die Gewichte von visuellen, vestibulären und propriozeptiven sensorischen Systemen durch W_v, W_g und W_p dargestellt. Durch die Modellierung dieses Systems zur sensorischen Neugewichtung kann die Simulation eine Anpassung an die veränderten Umgebungsbedingungen vornehmen, sodass das System den Beitrag jedes Sensorkanals zur Steuerung des Gleichgewichtsverhaltens relativ darstellen kann. Eine Schlüsselhypothese dieses Mechanismus ist, dass alle sensorischen Kanäle, die zur Gleichgewichtskontrolle beitragen, zu einer Einheit zusammengefasst werden. Zum Beispiel ist während des Stillstandes mit offenen Augen das effektive sensorische Gesamtgewicht des Systems, W, gleich der Summe von W_v, W_g und W_p, während W = W_g + W_p bei geschlossenem Auge ist, da es keinen Beitrag vom visuellen Kanal gibt. Diese Hypothese enthält jedoch Ausnahmen, wenn sich das System unter Übergangsbedingungen befindet, in denen sich die effektiven Gesamtgewichte W von der Einheit unterscheiden. Die Gewichte der sensorischen Systeme werden im Integrationsprozess angepasst, um die Änderungen auszugleichen, die in der Übergangsphase stattgefunden haben. Danach wird W wieder zur Einheit zurückkehren.^[10]

Gegenwärtig wird der Neugewichtungsprozess durch zwei Arten der Modellierung durchgeführt, von denen eine extern und die andere automatisch angepasst wird. Das Independent Sensory Channel (IC) -Modell ist ein Beispiel für das erstgenannte Modell, das Disturbance Estimation and Compensation (DEC) -Modell hingegen ist ein Beispiel für das ein automatisch angepasstes Modell.

Darstellung der menschlichen Gleichgewichtskontrolle als invertiertes Pendel. Diese Darstellung beruht auf der Beschreibung von Aftab.^[11]

Unabhängiges Sensorkanalmodell

Das Independent Sensory Channel (IC) Modell ist ein lineares Modell, das von Peterka^[12] entwickelt wurde. Das IC-Modell kann das Gleichgewichtsverhalten des Menschen im Stillstand beschreiben, was durch Studien belegt wird. Während der Experimente wurde das IC-Modell in Simulink, Matlab, implementiert und ein einzelnes invertiertes Pendelmodell wurde zur Darstellung des menschlichen Körpers verwendet. Sowohl menschliche Probanden als auch das invertierte Pendelmodell haben Balance-Tests durchlaufen, und die von menschlichen Probanden erhaltenen Parameter wurden mit den Schätzungen verglichen, die durch das IC-Modell erzeugt wurden. Das Ergebnis zeigte, dass zwei Parametersätze miteinander vergleichbar sind, und fundierte Belege für die Eignung des IC-Modells zur Darstellung des menschlichen Gleichgewichts liefern. Das Ergebnis zeigte, dass zwei Parametersätze miteinander vergleichbar sind und fundierte Belege für die Eignung des IC-Modells zur Darstellung des menschlichen Gleichgewichts liefern. Dieses IC-Modell ist jedoch nur im eingeschwungenen Zustand anwendbar. Wenn das Modell einer komplexeren Umgebung ausgesetzt ist, nimmt die Menge der erforderlichen Parameter zur Beschreibung des Modells deutlich zu, wobei das Vertrauen in die Abschätzung von Parametern und die Zuordnung zu bestimmten Verhaltensweisen abnimmt. Diese Einschränkungen untergraben die Eignung des IC-Modells für klinische Studien. ^[13]^[14]

Störungsabschätzung und Kompensationsmodell

Im Gegensatz zum IC-Modell, das unterschiedliche Parametersätze zur Beschreibung der sensorischen Neugewichtung benötigt, kann das DEC-Modell die Vorhersage von Daten aus verschiedenen Umgebungskontexten mit einem Parametersatz durchführen. Das grundlegende Merkmal des DEC-Modells ist seine Fähigkeit, externe und selbst erzeugte Störungen zu kompensieren, um die Bewegungsausführung bei der Gleichgewichtsregelung zu unterstützen. Die drei Arten von äußeren Störungen sind die Feldschwerkraft, Kontaktkräfte wie ein Druck oder ein Zug, die den Körper beeinflussen, und die Bewegung der Körperstützfläche, einschließlich Drehung sowie Translationsbeschleunigung. Wenn das DEC-Modell externen Störungen ausgesetzt ist, kann es aus der Bibliothek der erlernten externen Ereignisse eine Zusammenfassung erstellen, um Vorhersagen zu treffen, und so die Störungen ausgleichen, um ein Umfallen zu vermeiden. Die übergeordneten Mechanismen des DEC können sowohl Neurologen als auch Ingenieuren zu Gute kommen und interdisziplinärere Einblicke in das Verständnis der Kontrolle des menschlichen Gleichgewichts und den Bau effizienterer Roboter liefern.^[15]^[16]

Schwächen und Vorteile von Regelkreisen

Biologische Regelkreise

Sensorische Konflikttheorie

Wer eine Achterbahnfahrt gemacht hat oder einfach nur mit dem Boot oder dem Auto gereist ist, hat wahrscheinlich einmal in seinem Leben eine Reisekrankheit erlebt. Während unser Gleichgewichtssystem in natürlichen Umgebungen sehr gut funktioniert, können diese Situationen zu Störungen des gesamten Gleichgewichts führen, indem sie widersprüchliche Signale für das visuelle, somatosensorische und vestibuläre System erzeugen. Zum Beispiel ruft Autofahren die visuellen Empfindungen von Bewegung hervor, während das vestibuläre und das somatosensorische System Stationarität empfinden.

Diese Nichtübereinstimmung von Informationen wird in der sensorischen Konflikttheorie erfasst, die beschreibt, dass der Kontrast zwischen gewohnheitsmäßig erlebten Mustern sensorischer Informationen und den widersprüchlichen, wahrgenommenen Informationen das Gefühl der Reisekrankheit hervorruft^[17]. Obwohl das Gleichgewichtssystem selbst in seinen Motorleistungen intakt bleibt - das heißt, die Person auf dem Boot oder im Auto kann immer noch ihre Haltung einhalten - ruft die Rückmeldung an Wahrnehmungsbereiche höherer Ordnung das Gefühl der Reisekrankheit hervor. Dies unterstreicht deutlich, dass das Gleichgewichtssystem des Menschen viel mehr als nur ein Regelkreis ist und aufgrund seiner Integration in Wahrnehmungsbereiche trotz ordnungsgemäßer Funktionsweise negative Auswirkungen auf den Menschen haben kann.

Krankheiten, die das Gleichgewichtskontrollsystem betreffen

Da es sich bei der Regelung des menschlichen Gleichgewichts um ein biologisches System handelt, können Krankheiten die Funktionsweise des Systems stark beeinträchtigen. Im Allgemeinen können fast alle neuromuskuloskelettalen Erkrankungen wie Morbus Parkinson oder zerebrale Ataxie (Englisch) sowie Gehörschäden, Taubheit und Ohrinfektionen, wie Labyrinthitis (Englisch), eine Beeinträchtigung des Gleichgewichtskontrollsystems hervorrufen. Phänotypisch kann diese Beeinträchtigung viele verschiedene Formen annehmen, je nachdem, welche Komponenten des Gleichgewichtssystems am stärksten betroffen sind und welche anderen Komponenten den Verlust vorübergehend und teilweise ausgleichen können.^[18].

Beispielsweise sind bei der Parkinsonkrankheit die Basalganglien, die an der Gleichgewichtsregulierung über eine Thalamus-Kortikalis-Wirbelsäulen-Schleife (im Wesentlichen eine Verbindung vom Kortex zum Hirnstamm, wie oben erläutert) beteiligt sind, von Neurodegeneration betroffen und es kann somit zu Beeinträchtigungen des Gleichgewichtssystems des Patienten kommen ^[19]. Kinder mit Hörstörungen aufgrund von Labyrinthitis oder chirurgischen Eingriffen wie Cochlea-Implantationen können bereits in jungen Jahren Probleme mit ihrem Gleichgewichtssinn haben. Es hat sich gezeigt, dass Kinder mit diesen Erkrankungen deutlich später als Gleichaltrige stehen und gehen lernen. Oft bessert sich der Zustand jedoch mit zunehmendem Alter, da ein neuroplastischer Prozess einsetzt, um die fehlenden Informationen aus dem Innenohr auszugleichen. In diesen Fällen übernehmen das propriozeptive und das visuelle System den Eingangsstrom aus dem Vestibularsystem. In ähnlicher Weise entwickeln blinde Kinder und Erwachsene Bewältigungsmechanismen, um die Gleichgewichtskontrolle trotz des Verlusts der visuellen Information aufrechtzuerhalten.

Diese Flexibilität ist ein großer Vorteil des biologischen Systems gegenüber dem künstlichen Regelkreis. Das biologische System kann die neuronale Plastizität nutzen, um die Eingangsströme als Reaktion auf eine Schädigung zu verändern.

Schwächen der Modellsimulation

Unvollständige Replikation des menschlichen Ausgleichsmechanismus

Aktuelle, in Robotern implementierte Simulationen ermöglichen es ihnen, ohne Probleme zu stehen und zu gehen oder sogar zu springen. Diese Modelle reichen jedoch nicht aus, um direkte Einblicke in das Verständnis der menschlichen Gleichgewichtssteuerung zu erhalten. Obwohl die aktuellen Modelle Mechanismen von einer niedrigeren bis zu einer höheren Ebene reproduzieren können, wie z. B. zentrale Mustergeneratoren für Gang- und Bewegungssynergien, ist ein großer Teil des Verständnisses der Rolle des Zentralnervensystems bei der Regelung des Gleichgewichts unbekannt. Der kritischste Nachteil aktueller Simulationsmodelle für die Kontrolle der Körperhaltung beim Menschen besteht darin, dass keines der hergestellten Modelle in der Lage ist, die genauen Mechanismen des menschlichen Körpergleichgewichts nachzuahmen, mit mehreren Eingangssignalen umzugehen und auf äußere Störungen so schnell und präzise zu reagieren wie Menschen es können. Da diese Modelle das menschliche Gleichgewichtssystem nur teilweise erklären können, bleiben Mechanismen, die auf kortikaler Ebene stattfinden, noch unerforscht. Darüber hinaus schränkt die zur Herstellung der Roboter verwendete Hardware das Verständnis des menschlichen Gleichgewichtsverhaltens durch Robotik ein, da die Hardware Probleme auslösen kann, die im menschlichen Körper nicht zu sehen sind. Trotz der Tatsache, dass die aktuellen Modelle nur einen Teil der Vorgänge im menschlichen Körper offenbaren, können Neurologen davon profitieren, mit diesen Modellen zu arbeiten und sie zu, um ihre Hypothesen zu testen, und im Gegenzug Anweisungen für Ingenieure zur Verbesserung der Modelle bereitstellen.^[20]^[21]

Weiterführende Literatur

Referenzen

↑ ^1,0 ^1,1 ^1,2 [Dorf, R. C., & Bischop, R. H. (2017). Introduction to Control Systems Modern Control Systems (13 ed.). Harlow, United Kingdom: Pearson Education.]
↑ Peterka, R. (2002). Sensorimotor integration in human postural control. Journal of Neurophysiology, 88, 1097-1118.
↑ ^3,0 ^3,1 Purves, D., Augustine, G., Fitzpatrick, D., Katz, L., LaMantia, A., O McNamara, J., & William, S. (2001b). Projections to the Cerebellum Neuroscience. Sunderland (MA): Sinauer Associates
↑ Linear Time Invariant Systems. Brilliant.org. Retreieved August 14, 2018, from https://brilliant.org/wiki/linear-time-invariant-systems/
↑ Mathworks (2018). Design and implement gain-scheduled controllers with MATLAB and Simulink (r2018a). Retrieved August 14, 2018 from https://www.mathworks.com/discovery/gain-scheduling.htm
↑ ^6,0 ^6,1 Purves, D., Augustine, G., Fitzpatrick, D., Katz, L., LaMantia, A., O McNamara, J., & William, S. (2001a). Cerebellar Circuitry and the Coordination of Ongoing Movement Neuroscience. Sunderland (MA): Sinauer Associates.
↑ Uusisaari, M., & De Schutter, E. (2011). The mysterious microcircuitry of the cerebellar nuclei. The Journal of Physiology, 589(14), 3441-3457.
↑ Manzoni, D. (2005). The cerebellum may implement the appropriate coupling of sensory inputs and motor responses: Evidence from vestibular physiology. The Cerebellum, 4, 178-188.
↑ Chiba, R., Takakusaki, K., Ota, J., Yozu, A., & Haga, N. (2016). Human upright posture control models based on multisensory inputs; in fast and slow dynamics. Neuroscience research, 104, 96-104.
↑ Mahboobin, A., Loughlin, P. J., Redfern, M. S., Anderson, S. O., Atkeson, C. G., & Hodgins, J. K. (2008). Sensory adaptation in human balance control: lessons for biomimetic robotic bipeds. Neural Networks, 21(4), 621-627.
↑ Aftab, Z., Robert, T., & Wieber, P. B. (2016). Balance Recovery Prediction with Multiple Strategies for Standing Humans. PLOS ONE, 11(3).
↑ Peterka, R. J. (2002). Sensorimotor integration in human postural control. Journal of neurophysiology, 88(3), 1097-1118.
↑ Pasma, J. H., Assländer, L., van Kordelaar, J., de Kam, D., Mergner, T., & Schouten, A. C. (2018). Evidence in Support of the Independent Channel Model Describing the Sensorimotor Control of Human Stance Using a Humanoid Robot. Frontiers in computational neuroscience, 12, 13.
↑ Mergner, T., & Lippi, V. (2018). Posture Control—Human-Inspired Approaches for Humanoid Robot Benchmarking: Conceptualizing Tests, Protocols and Analyses. Frontiers in neurorobotics, 12.
↑ Mergner, T. (2010). A neurological view on reactive human stance control. Annual Reviews in Control, 34(2), 177-198.
↑ Lippi, V., & Mergner, T. (2017). Human-derived disturbance estimation and compensation (dec) method lends itself to a modular sensorimotor control in a humanoid robot. Frontiers in neurorobotics, 11, 49.
↑ Reason, J. (1978). Motion sickness: Some theoretical and practical considerations. Applied Ergonomics, 9(3), 163-167.
↑ Winter, D. A. (1995). Human balance and posture control during standing and walking. Gait & Posture, 3(4), 193-214.
↑ Park, J. H., Kang, Y. J., & Bahling Horak, F. (2015). What is Wrong with Balance in Parkinson’s Disease? Journal of Movement Disorders, 8(3), 109-114.
↑ Mergner, T., & Lippi, V. (2018). Posture Control—Human-Inspired Approaches for Humanoid Robot Benchmarking: Conceptualizing Tests, Protocols and Analyses. Frontiers in neurorobotics, 12.
↑ Lippi, V., & Mergner, T. (2016, June). Humanoid Neurorobotics - Posture Balance and Movement Control. Proceedings of School and Symposium on Advanced Neurorehabilitation, Baiona, Spain

[dorf-1] 1,0 ^1,1 ^1,2 [Dorf, R. C., & Bischop, R. H. (2017). Introduction to Control Systems Modern Control Systems (13 ed.). Harlow, United Kingdom: Pearson Education.]

[peterka-2] Peterka, R. (2002). Sensorimotor integration in human postural control. Journal of Neurophysiology, 88, 1097-1118.

[purves2b-3] 3,0 ^3,1 Purves, D., Augustine, G., Fitzpatrick, D., Katz, L., LaMantia, A., O McNamara, J., & William, S. (2001b). Projections to the Cerebellum Neuroscience. Sunderland (MA): Sinauer Associates

[4] Linear Time Invariant Systems. Brilliant.org. Retreieved August 14, 2018, from https://brilliant.org/wiki/linear-time-invariant-systems/

[5] Mathworks (2018). Design and implement gain-scheduled controllers with MATLAB and Simulink (r2018a). Retrieved August 14, 2018 from https://www.mathworks.com/discovery/gain-scheduling.htm

[purves2a-6] 6,0 ^6,1 Purves, D., Augustine, G., Fitzpatrick, D., Katz, L., LaMantia, A., O McNamara, J., & William, S. (2001a). Cerebellar Circuitry and the Coordination of Ongoing Movement Neuroscience. Sunderland (MA): Sinauer Associates.

[uusisaari-7] Uusisaari, M., & De Schutter, E. (2011). The mysterious microcircuitry of the cerebellar nuclei. The Journal of Physiology, 589(14), 3441-3457.

[manzoni-8] Manzoni, D. (2005). The cerebellum may implement the appropriate coupling of sensory inputs and motor responses: Evidence from vestibular physiology. The Cerebellum, 4, 178-188.

[9] Chiba, R., Takakusaki, K., Ota, J., Yozu, A., & Haga, N. (2016). Human upright posture control models based on multisensory inputs; in fast and slow dynamics. Neuroscience research, 104, 96-104.

[10] Mahboobin, A., Loughlin, P. J., Redfern, M. S., Anderson, S. O., Atkeson, C. G., & Hodgins, J. K. (2008). Sensory adaptation in human balance control: lessons for biomimetic robotic bipeds. Neural Networks, 21(4), 621-627.

[11] Aftab, Z., Robert, T., & Wieber, P. B. (2016). Balance Recovery Prediction with Multiple Strategies for Standing Humans. PLOS ONE, 11(3).

[12] Peterka, R. J. (2002). Sensorimotor integration in human postural control. Journal of neurophysiology, 88(3), 1097-1118.

[13] Pasma, J. H., Assländer, L., van Kordelaar, J., de Kam, D., Mergner, T., & Schouten, A. C. (2018). Evidence in Support of the Independent Channel Model Describing the Sensorimotor Control of Human Stance Using a Humanoid Robot. Frontiers in computational neuroscience, 12, 13.

[14] Mergner, T., & Lippi, V. (2018). Posture Control—Human-Inspired Approaches for Humanoid Robot Benchmarking: Conceptualizing Tests, Protocols and Analyses. Frontiers in neurorobotics, 12.

[15] Mergner, T. (2010). A neurological view on reactive human stance control. Annual Reviews in Control, 34(2), 177-198.

[16] Lippi, V., & Mergner, T. (2017). Human-derived disturbance estimation and compensation (dec) method lends itself to a modular sensorimotor control in a humanoid robot. Frontiers in neurorobotics, 11, 49.

[reason-17] Reason, J. (1978). Motion sickness: Some theoretical and practical considerations. Applied Ergonomics, 9(3), 163-167.

[winter-18] Winter, D. A. (1995). Human balance and posture control during standing and walking. Gait & Posture, 3(4), 193-214.

[park-19] Park, J. H., Kang, Y. J., & Bahling Horak, F. (2015). What is Wrong with Balance in Parkinson’s Disease? Journal of Movement Disorders, 8(3), 109-114.

[20] Mergner, T., & Lippi, V. (2018). Posture Control—Human-Inspired Approaches for Humanoid Robot Benchmarking: Conceptualizing Tests, Protocols and Analyses. Frontiers in neurorobotics, 12.

[21] Lippi, V., & Mergner, T. (2016, June). Humanoid Neurorobotics - Posture Balance and Movement Control. Proceedings of School and Symposium on Advanced Neurorehabilitation, Baiona, Spain

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]