Hotdry.
归档
systems-engineering

大鼠玩DOOM VR系统工程实现：从3D打印到实时数据流的神经科学实验平台

构建低于2000美元的神经科学VR实验系统，实现大鼠在DOOM II环境中的自动化训练，涵盖硬件设计、实时数据流处理与操作条件反射的工程参数。

神经科学实验的传统硬件成本往往高达数万美元，这限制了研究的可及性与创新速度。2021 年，神经科学家 Viktor Tóth 通过一个 DIY 项目展示了另一种可能：用低于 2000 美元的预算构建完整的啮齿动物 VR 系统，并成功训练三只大鼠在 DOOM II 引擎中导航虚拟走廊。这个项目的工程价值不仅在于成本控制，更在于其模块化设计、实时数据处理架构和自动化训练机制的实现。

硬件架构：从 3D 打印到传感器集成的模块化设计

整个 VR 系统的核心是一个 40 厘米直径的泡沫球，表面涂有橡胶涂层以增加摩擦力。大鼠站在这个球形跑步机上，身体通过机械臂固定，形成自然的运动姿态。系统的硬件设计遵循模块化原则，每个组件都可以独立测试和替换。

运动传感系统

运动检测使用了两个经过改造的激光鼠标传感器，分别安装在前方和左侧，覆盖三个轴向的运动数据。激光鼠标的检测范围约为 1 厘米，为了应对泡沫球表面的不规则性，前部轴承安装在可调节的 "魔术臂" 上，确保传感器与球面保持恒定距离。

传感器数据通过 USB 接口传输到主控计算机，使用 Linux 的evdev库实时读取输入事件。这种设计实现了毫秒级的运动数据采集延迟，为实时游戏交互提供了基础。

3D 打印的机械结构

所有定制部件（附件、电气组件支架、机械装置）都在 Blender 中设计，然后 3D 打印。设计过程中测试了数十个版本，最终确定了最优结构。特别值得注意的是，为了支持不同尺寸的泡沫球，Tóth 编写了一个 Blender Python 脚本，根据球的直径、3D 打印机尺寸和轴承规格自动生成支撑臂的 3D 模型。

# 伪代码：Blender脚本自动生成支撑臂
def generate_support_arms(ball_radius, printer_bed_size, bearing_dimensions):
    # 计算支撑臂的角度和位置
    # 确保轴承与球面呈90度接触以最小化摩擦
    # 生成可3D打印的STL文件

反馈机制硬件

正向反馈使用精密电磁阀控制糖水供给，每次剂量控制在数十微升。负向反馈原本计划使用 12V 微型气泵产生空气喷射，但最终出于谨慎考虑未在实际实验中使用。所有电子设备都安装在铝制框架上，框架由 Misumi 预切割并订购，确保了结构的稳定性和可重复性。

软件控制：实时数据流处理与游戏状态同步

系统的软件架构采用分层设计，将硬件控制逻辑尽可能推送到 PC 端，同时保持微控制器的响应时间在可接受范围内。

数据流架构

运动数据流遵循以下路径：

  1. 激光鼠标传感器 → USB 接口 → Linux 输入事件系统
  2. Python evdev库读取原始运动数据
  3. 计算时间序列上的运动速度
  4. 缩放并转发到 ViZDoom 引擎
  5. ViZDoom 将运动转换为游戏内步伐

整个数据流延迟控制在 50 毫秒以内，确保了大鼠运动与游戏反馈的实时同步。

ViZDoom 游戏接口

ViZDoom 原本是为强化学习算法训练设计的 Doom API，但其丰富的游戏状态接口使其成为理想的实验平台。通过 ACS 脚本，系统可以访问玩家位置、怪物击杀数等游戏变量，并将这些信息暴露给 Python 实验脚本。

# 简化的ViZDoom接口代码
import vizdoom as vzd

# 初始化游戏
game = vzd.DoomGame()
game.load_config("experiment.cfg")
game.init()

# 获取游戏状态
state = game.get_state()
player_position = state.game_variables[0]  # 自定义ACS变量
monster_count = state.game_variables[1]

# 发送动作
action = [move_forward, turn_left, turn_right, shoot]
reward = game.make_action(action)

微控制器通信协议

两个 Arduino 微控制器管理所有电子设备：2 个线性执行器 + 电机、2 个气泵、1 个电磁水阀、1 个推拉式电磁铁和射击按钮。PC 通过串口与微控制器通信，使用简单的二进制协议：

  • 第一个字节：消息类型（扩展执行器、分配糖水等）
  • 后续字节：有效载荷（执行器扩展时间、水量等）

这种设计保持了协议的简洁性，同时允许在 Python 端实现复杂的控制逻辑。

训练自动化：操作条件反射的工程实现参数

系统的核心创新在于自动化训练机制，这减少了实验者的人工干预，提高了训练的一致性和可重复性。

2D 运动训练算法

训练大鼠在球形跑步机上行走采用渐进式方法：

  1. 初始阶段：如果大鼠停滞不动，线性执行器将轮子推向球体，电机旋转 2 秒
  2. 适应阶段：大鼠学会利用电机辅助，开始主动行走
  3. 自主阶段：大鼠完全自主控制运动

关键工程参数：

  • 电机推力：通过弹簧调节，保持与不规则球面的恒定接触压力
  • 训练间隔：每次辅助后等待 3-5 秒观察大鼠反应
  • 奖励阈值：连续自主运动 5 秒触发糖水奖励

射击行为训练机制

射击训练设计了一个精巧的机械系统：大鼠的背带连接到一个 3D 打印的臂上，允许垂直运动。推拉式电磁铁作为训练机制，当怪物出现在玩家前方时：

  1. 软件检测到怪物接近
  2. 激活电磁铁，轻微抬起大鼠
  3. 电磁铁轴接触按钮，触发游戏内射击
  4. 释放糖水奖励

理想情况下，大鼠学会在怪物面前抬起身体（一种自然的后仰行为），从而自主触发射击。电磁铁使用脉宽调制驱动，实现更渐进的拉动，避免惊吓动物。

实时行为状态机

整个训练过程由一个不到 300 行的 Python 脚本控制，实现了并发的事件处理：

class RatTrainingStateMachine:
    STATES = ['IDLE', 'WALKING', 'TURNING', 'SHOOTING_TRAINING', 'REWARD']
    
    def __init__(self):
        self.current_state = 'IDLE'
        self.transition_table = {
            'IDLE': self._handle_idle,
            'WALKING': self._handle_walking,
            # ... 其他状态处理函数
        }
    
    def update(self, motion_data, game_state):
        handler = self.transition_table[self.current_state]
        new_state, actions = handler(motion_data, game_state)
        self.current_state = new_state
        return actions

成本效益分析：DIY 系统与商业方案的工程对比

成本分解

Tóth 系统的总成本低于 2000 美元，主要组件包括：

  1. 3D 打印材料：$150-200（PLA/ABS 耗材）
  2. 电子组件：$300-400（Arduino、传感器、执行器、电磁阀）
  3. 机械部件：$500-600（铝框架、轴承、泡沫球）
  4. 显示设备：$800（曲面 Dell 显示器）
  5. 杂项：$100-200（线缆、连接器、工具）

相比之下，商业啮齿动物 VR 系统价格通常在 7 万美元以上，主要差异在于：

工程质量对比

  1. 精度与校准：商业系统提供亚毫米级运动跟踪精度，DIY 系统依赖激光鼠标传感器，精度约为 1 厘米
  2. 可重复性：商业系统经过工厂校准，DIY 系统需要手动校准每个组件
  3. 支持与维护：商业系统提供专业技术支持，DIY 系统依赖社区和自行调试

可扩展性优势

DIY 系统的最大优势在于可定制性。研究人员可以：

  1. 修改硬件配置以适应特定实验需求
  2. 集成额外的传感器（EEG、EMG、眼动追踪）
  3. 开发自定义的软件分析工具
  4. 快速原型化新的实验范式

工程教训：可复现性与扩展性设计

硬件设计的关键参数

  1. 轴承接触角度：必须保持 90 度接触以最小化摩擦，偏差超过 5 度会导致明显的运动阻力
  2. 弹簧刚度：执行器与轮子之间的弹簧刚度需要精确计算，太软无法传递足够扭矩，太硬会过度推动球体
  3. 传感器采样率：激光鼠标的标准采样率为 125Hz，对于大鼠的快速运动足够，但对于更精细的神经相关分析可能需要升级到 500Hz 以上

软件架构的优化空间

  1. 数据流水线：当前的串行处理存在累积延迟，可改为并行流水线架构
  2. 状态管理：使用更正式的状态机实现（如 Python 的transitions库）提高代码可维护性
  3. 配置管理：将所有硬件参数和训练参数外部化为 JSON 配置文件，便于实验复现

实验协议标准化建议

基于此项目的经验，建议未来的神经科学 VR 实验遵循以下工程标准：

  1. 运动数据格式：定义标准的运动数据格式（位置、速度、加速度的时间序列）
  2. 事件标记协议：统一标记行为事件（开始行走、转向、射击尝试）的时间戳格式
  3. 校准程序：制定详细的系统校准步骤，包括传感器零点校准、运动缩放因子测定
  4. 数据同步：实现硬件时钟同步，确保运动数据、游戏事件和神经记录的时间对齐

技术局限与未来方向

已识别局限性

  1. 训练时间不足：11 天的 VR 训练不足以完成复杂的射击行为训练
  2. 系统开发并行性：硬件与软件同步开发导致训练条件不一致
  3. 动物行为变异性：大鼠的个体差异和不可预测行为影响训练效果

工程改进建议

  1. 模块化传感器升级：替换激光鼠标为光学编码器，提高运动检测精度
  2. 分布式控制系统：使用 ROS（机器人操作系统）架构，实现更好的组件解耦
  3. 自动化校准工具：开发软件辅助的校准程序，减少手动调整时间
  4. 实时数据分析流水线：集成在线行为分类算法，实现自适应训练

神经科学应用扩展

此工程平台为多种神经科学研究提供了基础：

  1. 空间导航研究：在复杂虚拟迷宫中研究海马体位置细胞活动
  2. 决策行为分析：在游戏任务中研究前额叶皮层的决策机制
  3. 运动学习：追踪小脑在运动技能获取中的可塑性变化
  4. 多模态集成：结合视觉、前庭和本体感觉输入的研究

结语：低成本神经科学工程的可行性

Viktor Tóth 的 "大鼠玩 DOOM" 项目展示了神经科学研究中工程创新的力量。通过精心的硬件设计、简洁的软件架构和自动化的训练机制，他构建了一个功能完整且成本可控的实验平台。这个项目的真正价值不在于让大鼠玩电子游戏，而在于证明了：

  1. 成本不是创新的障碍：2000 美元的预算可以构建出价值 7 万美元系统 80% 的功能
  2. 开源硬件与软件的潜力：基于 Arduino、3D 打印和 Python 的生态系统足够强大，支持复杂的神经科学实验
  3. 跨学科工程的价值：将游戏开发、机械工程、嵌入式系统和行为科学相结合，创造出全新的研究工具

对于希望进入系统神经科学领域的研究者，这个项目提供了一个完整的工程蓝图。从 3D 建模到实时数据流，从硬件校准到行为训练，每个环节都有详细的技术参数和实现细节。更重要的是，它展示了如何将工程思维应用于生物学问题，创造出既实用又创新的研究工具。

在神经科学日益依赖复杂技术平台的今天，这种 DIY 工程方法不仅降低了研究门槛，更促进了方法的透明度和可重复性。当每个组件都可以被理解、修改和优化时，科学发现的速度和质量都将得到提升。

资料来源：

  1. Viktor Tóth. "Rats in Doom VR: Building a rodent VR setup from scratch." Medium, October 2021.
  2. ViZDoom Documentation. Farama Foundation. https://vizdoom.farama.org
  3. Thurley & Ayaz. "Virtual reality systems for rodents." Current Zoology, 2017.

注：所有动物实验均经过 Feinstein Institutes 机构动物护理与使用委员会批准。

查看归档