您好亲爱的GeekTimes社区！ 经过长时间的沉默，我想介绍一下我的新项目。 OPENTadpole是一款应用程序，由青蛙editor神经系统的完整编辑器以及and身体和环境的物理模拟组成。 能够从头开始创建，配置和编辑动物的连接，并立即查看您的创作如何反映在其行为中。
大约一年前，完成了一系列有关神经系统模拟器开发的文章，并且我开发的应用程序存在许多缺点，而且业余代码不允许扩展和开发该应用程序的功能。 值得注意的是，当时开发的应用程序使我能够演示和制定建模系统的基本机制和理论平台。 决定从一个更准确的表示的位置重新处理代码，哪些实体及其功能将出现在应用程序的最终版本中。
首先，我使用最喜欢的Unity游戏引擎进行开发，并将神经元的本质与GameObject连接起来，其逻辑是在协程中执行的，当网络规模扩大时，这是一个致命的问题，由于神经网络的逻辑与应用程序的图形部分。 当然，解决方案是将图形部分与系统逻辑分开，逻辑必须在单独的线程中执行，并且图形部分将仅能够定期访问网络元素以显示正在发生的更改。 这种方法提供了另一个优势，即不仅可以监视网络中正在发生的过程，还可以与其计算结果进行交互，因此可以将网络浸入某个虚拟代理中并观察该代理如何与外部环境交互。
其次，尽管3D被认为是一种更有效的可视化方法，但还是决定修改编辑器的概念，我还是决定改用2D。 我曾经以为神经网络的三维结构是一个关键意义，而由于害怕看不见某些东西，我努力争取编辑器和系统的三维结构。 但是现在，我知道，只要应用具有层次或层次的平面编辑器就足够了，因为即使大脑皮层也具有分层结构，并且在平面上工作使最终用户可以更方便地与编辑器一起导航和组织他们的工作，特别是在涉及到大型元素数组。
鉴于我是一个人工作，而且控制论领域的应用并不是我的主要工作，因此开发开始进展缓慢，同时我想展示如何将我的想法应用于具有简单神经系统的动物，例如蛤，蠕虫或某种昆虫。 我真的很喜欢OpenWorm项目，该项目创建了秀丽隐杆线虫蠕虫的计算机模型，该蠕虫的神经系统由302个神经元组成，并且其连接完全组成。 该项目包括两个部分：对蠕虫的神经系统的神经电特性进行建模，以及对游泳过程中其身体的机械特性进行建模。 我将此概念应用于我的项目，可以在项目名称中看到对其的引用。 模仿罗马动物Matveevich Borisyuk演讲的录音影响了动物的选择，他在演讲中谈到了一个模拟两天青蛙t神经系统的项目。 受此视频的启发，我决定在神经系统模拟器OPENTadpole的工作中做出一些分支。
声称可以解释神经系统机制的理论平台应该在简单神经系统的规模和执行认知功能的神经系统的规模上都起作用。 通常，您可以找到针对大脑功能的新型理论的作者的评论，这些评论在对大型神经网络进行建模之前，可能有必要展示其理论如何应用于简单的动物及其神经系统。 可以回避这些评论，即神经系统的特性仅在非常大的巨大规模上得到体现，而原始生物的生命对于解决认知问题并不重要。 这样的不公和妄想对我来说又成为了一段时间来专注于两天青蛙t的生活和行为的另一个原因。
具有神经系统的控制论动物
当然，人类已经建立了许多控制动物的机制的模仿机制，例如沃肯森的机械鸭，他们不仅挥舞着翅膀，啄食分散的饲料，而且拥有一种消化系统以及所有伴随的过程。 但是，具有与生物类似的神经系统的人工动物却很少见。 让我们对控制论动物的世界做一个简要的概述，以便让您清楚地知道这么大胆的来历，以便将您的t称为第一种具有人工神经系统的控制论动物。
我们将从动物开始，而不是从传奇人物亨利·马克兰（Henry Markram）开始。 亨利·马克姆（Henry Markam）是一位科学家，众所周知，他是突触联系研究的先驱，他是最早开始系统地研究一致形式的赫布规则的人之一。 但是，亨利·马克兰姆（Henry Markram）作为世界上最昂贵的大脑模拟的创造者而广为人知。 科学家和他的同事可以使用的不仅是有史以来用于此类用途的最大资金，而且是IBM
Blue Gene超级计算机最强大的计算资源。 计算机的名称为该项目的名字：“ Blue Brain Project”，2013年更名为“ The Human Brain Project”。 尽管该项目的名称现在指的是人类的大脑，但仍在研究小鼠大脑皮层小片段的模型。 项目经理制定了宏伟的计划，从一小部分老鼠的大脑开始，直至形成完整的人类大脑模型。 早在2009年，该项目的策展人Markam承诺，十年后将出现整个人类大脑的计算机模拟。 很多人认为亨利·马克兰（Henry Markram）是一个骗子，如果您听他的演讲，那么他们将重点更多地放在对神经科学精通的富裕投资者身上，而不是对同伴们。
在该项目的整个历史过程中，除了精美的图形材料，闪烁的神经元花环之外，还有一项实用的研究。 考虑到树突的所有弯曲和分支，创建了大约二十种特定类型神经元的3D模型，它们完全重复了真实神经元的拓扑。 然后，按照一定的规则配置皮质的一个小区域，在其中放置准备好的神经元模型，但随机选择神经元模型，然后从获得的模型中收集统计数据：树突相交的位置，与细胞体的距离，接触的类型。
将获得的统计数据与类似的统计数据进行比较，但是从生物神经系统中获得并获得了非常重要的结果：皮质中80％的突触连接的形成是偶然的。 即 在自由生长的树突，轴突，侧支可以形成突触的地方，没有任何化学标记。 当然，在某些情况下，不排除形成突触的选择性，并且也不可能就连接质量的随机性得出结论。 突触可以在神经元的生长过程中偶然形成，但其强度（重量）可以由神经系统和动物的生命活动决定。
尽管不可能在“人脑计划”的框架中谈论控制论虚拟鼠标，但距离鼠标大脑的完整模型还很遥远。 由于IBM的资源，另一位研究人员Dharmendra Mohda在2009年宣布启动一个创建猫科动物大脑数字仿真项目。 该声明引起了Markram的极大愤慨，以致致IBM首席技术专家的愤怒公开信的形式。 没有人喜欢竞争，但是我们宁愿在虚拟猫和老鼠的斗争中看到竞争，而不是吸引昂贵的模仿头IBM负责人注意。 经过这么多年，在模仿哺乳动物的大脑领域中没有发生重大变化和发展。
OpenWorm是一个非常著名的项目，它为线虫Caenorhabditis elegans的线虫（round虫）创建了一个仿真模型，该蠕虫因其是唯一一个其神经系统完全连接由302个神经元和大约7,000个突触连接组成的动物而闻名。 即使对于c这样小的神经系统。 线虫连接起来真是一项泰坦尼克号的工作。 首先，对蠕虫进行复杂的程序-连续显微镜检查，制作一系列身体横断面的照片。 有必要制作非常薄的几个微米的切片，然后使用电子显微镜创建高分辨率图像。 对于一个长1-2毫米的成虫，事实证明这是一项艰巨的任务，由于神经系统c，可用的照片集由3个蠕虫组成。 线虫具有惊人的稳定性和可重复性。 其次，科学家团队花费了七年多的心血研究图像，以绘制神经系统联系的地图，但仍在对结果数据库进行调整。
不幸的是，无法确定照片中突触连接的类型和强度；结果，我们对连接进行了描述，而对它们的功能用途一无所知。
了解神经系统本质的下一步c。 线虫成为一种尝试创建蠕虫的计算机模拟。 数字模型的便利之处在于，实验者可以更改和选择其元素的设置，从而使整个模型的工作与生物类似物具有可比性，这使得可以通过经验选择来确定生物体神经系统的组织和运作的某些定律。 当然，如果没有神经系统的一般理论，也没有理论平台，那么寻找法律是一项非常艰巨的任务，其解决方案自然会拖延下去。
该项目
在2014年公司的启动活动中获得了特别的声誉。 OpenWorm社区非常富有成果：
创建了线虫的三维图集 ，其中详细地绘制了神经系统-指定了每个神经元； 创建并广泛开发的建模和可视化
geppetto系统 ; 模拟蠕虫身体的机械特性和外部环境-我们的同胞正在工作的Sibernetic。 但是尚未出现由神经系统控制的可自由移动的控制论线虫。 模拟了一些与运动（运动）和触碰身体前部时的退缩有关的简单反射，但是大多数神经回路和与之相关的线虫行为仍未开发。
来自Andrei Palyanov频道的最新Sibernetic视频之一，线虫在两种不同的环境中游泳，控制是使用简单的周期性信号进行的，无需虚拟神经元的参与。
下一个项目给我留下了深刻的印象，这是在看完下一个视频以及Roman Matveevich Borisyuk的演讲后，我决定在项目中选择一个as作为模型动物。
鲜为人知的项目
tadpoles.org.uk谦虚地解释了神经系统组织的一些基本原理和定律。 科学家们为神经系统的发育创建了一个模型，该模型在动物发育的初期就形成了。 首先生成一个模型：树突和轴突根据某些规则从神经元生长，这些规则考虑到body体的某些参数，并以一定程度的概率影响过程的生长方向，然后突触在不同细胞的树突与轴突之间的接触点形成。 最后，可以激活该模型，它将在负责游泳的部分中显示与活t神经系统活动类似的活动。
事实证明，为了使神经系统能够形成所有先天性反射和机制，神经细胞必须遵循相当简单的指示。 根据其位置和与某些神经节细胞的关系，细胞必须在特定方向上生长其树突和轴突，并与细胞及其与细胞处于一定距离的过程形成天气接触，没有任何选择性。 当克服可能的障碍时，由于过程的生长方向上的偏差而导致的神经网络结构错误，将由神经元和过程的过度存在来补偿。
为了游泳，即沿着身体的肌肉呈波浪状收缩，the需要大约1,500个神经元，而线虫不到300个。 与the虫相比，青蛙的t是一种更为复杂且进化发展的动物，这里神经元数量的增加与增加计算能力的需求无关，而与系统的可靠性以及对神经元作为计算元素的不准确性的补偿有关。 一些研究人员将量子计算机或复杂的计算器的属性归因于单个神经元，但是这从根本上是错误的，神经元首先是生物细胞，其固有的工作错误和不稳定。 因此，花时间重建人脑的所有860亿个神经元没有任何意义；将结构上的神经元包装到执行分配给神经元组的功能性任务的某些神经元中是适当的。
最主要的是正确的方法
如果没有为准确理解系统每个元素的操作以及这些元素在整个系统中执行的功能奠定了基础，则您可能会花费大量时间，金钱和精力来创建复杂系统的复杂模型，而没有获得实际有意义的结果。 理想情况下，您需要在开始重新创建模型之前先了解模型的结果，这是决定解决任务成功与否的因素，而不是超级计算机和大量财务支持的存在。
现在人们对神经网络给予了极大的关注，它们证明了高效率和巨大的实用价值。 最初，神经网络被定位为生物学神经网络的某些模型，但是随着时间的流逝和神经生物学的发展，很明显，只有名称在NS中使用的形式神经元和生物学之间是共有的。 现代神经网络是用于统计分析的强大数学工具。 NS在其发展中的这种定位将带来更高的效率。 统计分析和处理大量数据，而不是神经系统模型。 NS平台上可能会出现某种人工智能，但是如果我们努力创建类似人类的智能，则应注意生物神经网络。
与人类相比，神经网络已经证明了其在解决某些问题方面的巨大功效，并且希望它们的发展得以继续。 作为大脑研究人员，我将更多地依靠由发达神经网络驱动的机器，而不是由类似于生物学的神经组织虚拟模型驱动的机器。 事实是，大脑的机制最初包含不准确和有限的感知因素，这自然会导致错误，但另一方面，这些相同的机制也为创造和适应提供了巨大潜力。
创建生物相似的神经系统时使用的主要数学模型是Hodgkin-Huxley模型，该模型早在1952年就已描述。 这种模型以一种或另一种方式在“人脑计划”，OpenWorm和tadpoles.org.uk中都使用。 霍奇金-赫克斯利（Hodgkin-Huxley）模型是一个方程组，描述了在神经元膜表面发生的电荷振荡，该方程组被采用并根据电气工程中对电振荡电路中自激振荡的描述而改编自电气工程。 艾伦·劳埃德·霍奇金（Alan Lloyd Hodgkin）和安德鲁·赫x黎（Andrew Huxley）在方程组中添加了一些其他元素和许多系数，对它们进行了选择，以便将其工作结果与他们在研究鱿鱼轴突时获得的实验数据进行比较。
Hodgkin-Huxley方程组仅描述了膜的一个点处的电势变化，以获取激发在膜上的传播以及神经元过程的图像，您可以将神经元模型拆分为一些基元，或者选择等距的点并在每个这样的点考虑方程组。 Hodgkin-Huxley模型非常逼真，展示了动作电位在展台主体上的分布，但是该模型需要大量的计算资源。在我的工作中，我对神经系统进行某种形式的改造，突出其重要性，并抛弃或简化某些相关的过程和现象。神经系统和神经细胞的性质非常多样且复杂，存在许多化学反应，细胞内过程和现象，但您不应该将一切转移到模型中，首先需要了解现象的含义和功能目的，否则将是模型的无意义的复杂化。动作电位沿神经元膜扩散的功能意义是什么？ -信息从神经细胞的一部分转移到另一部分。有关神经细胞已通过受体或突触激活的信息应传到轴突的末端，克服其整个长度，该长度可以达到人体的一米。在此过程中什么重要？ -从激活开始到有关此信息传递到神经组织目标区域的时间。平均而言，动作电位的传播速度为1 m / s，这取决于各种因素，例如，轴突髓鞘化的程度。因此，在不同条件下，延迟时间可以不同。 Hodgkin-Huxley模型非常逼真地模拟了神经冲动沿着膜的传播过程，但是在创建神经系统功能模型时是否需要这样的细节？如果我们可以简化某些内容，则意味着我们了解某些内容。简化为简单的法律和职能，分配主体以及将其与辅助分开的想法可以称为功能方法。
如果您尝试用所有860亿个神经元来模拟人类大脑，重复这些过程的拓扑结构，甚至在神经元表面上密集的点网格中错误地计算Hodgkin-Huxley方程组，那么地球上所有的计算资源都将不够用。在对此类模型的外观进行预测时，您可以提前二十年，然后再关注二十年。好吧，动作电位的扩散还不是全部，您仍然需要了解神经元相互作用的逻辑，以解决此问题，对于初学者来说，我专注于相当简单的神经系统，例如蠕虫或青蛙的nervous的神经系统。发展历程
您不希望在科学模型中使用游戏引擎会在公众中引起机敏吗？ -一位出色的互联网用户向我提出了类似的问题。是的，我没有求助于任何标准化系统，我没有使用语言来描述生物结构，只是因为它需要大量时间来研究随附材料。我不是科学家，而是生活活跃而充满活力的平凡之徒，但是他有很多想法，创造力和实现愿望。因此，家庭生活，工作和睡眠之间的时间将通过可用的方式进行建模。 Unity游戏引擎只是我工作中的一种工具，在可视化方面非常方便。整个OPENTadpole项目仅包含两个场景：一个连接编辑器和一个环境模拟。在开发过程中，编辑器没有出现严重问题，因为已经有使用神经系统模拟器先前版本的经验。在此阶段的主要任务是将神经元逻辑和可视化的实现分离开来。在下一阶段，我转向研究环境模拟器，并通过标准Unity组件快速实现了body体。the的身体由九个部分组成，通过关节，一些虚拟运动学对和两侧的一对虚拟肌肉相互连接。虚拟肌肉具有一定的弹性，可以为整个身体提供弹性。
肌肉功能从属于虚拟神经系统，该虚拟神经系统通过保存文件加载，这对于编辑器和模拟环境是通用的。进一步的开发需要增加一个模拟介质物理特性的系统，这对我来说并不是一件容易的事。在某个时候，我什至感到遗憾的是，水禽被选为模型动物。当然，使用非常流行的游戏引擎的最大优势在于，已经为其创建和开发了许多附件，库和资产。我尝试使用多个库，但事实证明LiquidPhysics2D是最好的。没有到图书馆的官方链接，开发公司的站点不再起作用，但是如果您愿意，可以找到它，谷歌可以提供帮助。该库基于著名的Box2D引擎，并且经过了很多示例的优化和易于使用，尽管我不得不付出很多毅力，但我还是设法使用了它。必须使用库元素来重做the的身体。液体物理性质的实时计算需要很高的计算能力，因此，即使使用优化良好的库，也可以通过将自身限制为数千个粒子来获得应用程序的稳定运行。我想在一个相当大的区域内看到一个自由漂浮的t；有限的有限空间使我无法完全欣赏该模型。决定动态地创建和除去周围t区域中的粒子，有必要将空间划分为特殊的正方形区域，并根据the的位置调整其中粒子的外观和去除方式。为了防止用户因跳舞方块而尴尬，粒子的可见度受到限制，导致一种光环在particles的身体周围显示粒子，可以使用F12键将其关闭。结果
此类项目的目标是确定神经系统组织的一些一般规则以及确定动物行为的神经元的相互作用规律。在这方面，OPENTadpole项目可以称为完全完成，每个人都可以尝试扮演创造者的角色，并从头开始用神经系统填充虚拟t的空虚身体，使他可以在太空中积极活动并与环境互动，并生活在他严格而有限的世界中。确实，在开发过程中，我看到了很多积极的情绪，看到自己的举动如何使the的行为更加生动。该应用程序的存档中有一个出色的彩色指南，它描述了程序的主要方面，还描述了一些保存的示例，这些示例可以帮助您了解神经系统的原理（本文结尾处的链接）。该模型基于我在以前的出版物（第1部分，第2部分）中讨论的相同原理，并且没有关于神经元电磁相互作用的猜测，只有那些伟大的思想家撰写并获得了诺贝尔奖的人。科学学说框架内的所有内容，但以一种新的简洁形式体现，都可以用作教学工具。游泳
负责游泳的神经链基于有序活动的产生器，这种产生器存在于所有简单动物的神经系统中，这些神经元的闭合链能够在没有反馈的情况下产生节律性兴奋。
青蛙s的有序活动生成器的方案由对称地位于in体内的四个神经元表示。此回路中的两个神经元（dIN，紫罗兰）具有特定功能，它们退出抑制状态，从而产生活动高峰。每个这样的神经元都会激活一个抑制性（抑制性）神经元，进而对dIN神经元产生交叉影响。因此，获得了神经兴奋循环的一定回路。可以通过单次激活发电机神经元来启动该发电机，并且如果通过更强的抑制作用阻止了链神经元之一的激活，则可以停止发电机的运行。为了在OPENTadpole系统中进行实验，分配了4个接收器密钥F1，F2，F3和F4，在保存的示例中，发生器启动了接收器F1，其中的活动被F2抑制。发电机的活动沿着along的身体沿左右两侧交替分布，从头到尾巴的尖端开始分布到每个运动神经元，激发延迟了100毫秒，这是由于激发的传播具有有限的速度这一事实。激发在不同轴突中传播的速度会有所不同，在髓鞘化程度较高（髓磷脂较厚的一层）的轴突中，速度会更高。例如，在鱿鱼的身体中，有一些最大的轴突，直径近1mm，它们参与了保护性失控反射，当鱿鱼以快速而有力的尾部真菌躲避可能的危险时，逃脱了可能的危险，此处需要很高的信号传输率。生物t的神经系统中有许多类似的发电机；它们沿着人体放置，并且彼此串联。如果the的神经系统中只有一台发电机，这将产生很大的风险，该回路中的一个神经元甚至一个突触的损坏都将导致移动能力的丧失。对于计算机仿真，不存在此类问题，因此，一个模型就足够了。演习
has具有改变游泳方向，进行一些动作的能力，为此，在游泳时，有必要使the打算翻身的一侧的肌肉越来越剧烈地收缩，同时保持相同的收缩频率。对于所有动物，神经系统中的信号可以说是离散的。动作电位的幅度始终无处不在，信号本身具有短而尖刻的特征，但与此同时我们可以轻松，准确，轻松地改变肌肉的紧张程度，一切取决于发送给肌肉群的命令的频率。脉搏越频繁，肌肉收缩越强。因此，控制激活脉冲的频率，神经系统控制肌肉群，并且足够灵活。神经元的时间求和的简单机制使得可以通过更改加法器阈值来轻松控制脉冲的频率。生物神经元的总阈值水平通常由神经细胞代谢决定，其一般配置，神经元大小，突触后膜上受体的数量和密度，膜上离子通道的数量和密度决定。并且所有这些参数都可以在活细胞中受到调制效应的影响而主动变化。长期以来，我们已经习惯了这样一个事实：在描述神经系统的工作时，它们仅谈到两种突触作用：刺激和抑制。但是实际上，这是一个致命的错误，它扭曲了对神经系统原理的理解。美国科学家神经科学家埃里克·坎德尔（Eric Kandel）在其工作中描述了导致细胞和突触代谢改变的突触效应的分子机制，为此他于2000年获得了诺贝尔奖。长期以来，调节神经元和调节机制一直用于神经系统原理的描述，因为这些机制在其工作中起着重要作用。该模型区分了特定类型的突触连接，这种连接可能会在一段时间内影响加法器的阈值水平-调制突触。如果进行调制，请降低插值调制神经元（在以下方案中为绿色）的加法器阈值，这将增加其灵敏度，并且在激活时将不仅生成一个尖峰，而且还会生成一系列完整的脉冲。因此，变换来自发电机的信号，可以进行操纵，游泳时转弯。如果以此方式同时调节两侧的神经元，则the只会更积极地向前游泳。
尽管事实上在该模型中我将自己局限于控制激活阈值的水平，但神经系统中的调制主题非常广泛。考虑到神经系统中可能动态发生的变化，可以说调节作用可能非常多样，包括突触强度的变化，可塑性的变化，成瘾程度，天气延迟的时间以及细胞的代谢特性。使用调制突触进行控制以及控制发电机的运行，可以实现一些保护性反射，例如，当the接触头部时开始游泳并从与接触的相反方向偏离，这使得the可以在虚拟水族馆中自由游泳，从其壁上航行。在哪里航行？
learned学会了游泳，可以自由选择方向，但是选择这个方向他需要一个目标，这样的目标是合理的，也许是食物。为了检测食物，the有两个特殊的嗅觉感受器，它们之间用特殊的线“鼻梁”隔开，感受器无法通过它们嗅觉食物的存在。食物越近，考虑距离的平方，受体激活的频率就越高。
当然，这种气味模型可以简化，但在模拟框架内是完全可以接受的。在这些示例中，来自两个受体的信号首先穿过发生相互抑制的神经元链，然后对运动神经元施加调节作用，从而控制the的运动。需求
我希望the的行为比仅仅跟随食物要复杂一些，因此决定模拟需求的机制。 首先，这是对食物的需求，饥饿是消耗人体运动和发展所必需的能源的自然愿望。 当然，饥饿的程度应该不同，如果动物吃饱了，那么食物对他来说就不会有太大的意义。 其次，对节能的基本需求同样如此，这在进化上就很早就诞生了，并且对所有动物的行为都至关重要。 懒惰已融入我们的本质，这使我们能够优化能源消耗方面的行为，从而以更少的能源浪费实现结果的人会更加成功。
为了实现这两个需求，引入了两种特殊的受体；需求越高，它们被激活的频率就越高。 饱和度随时间降低，这种降低的速度可由用户调节，并且疲劳感会根据肌肉收缩的强度而增强。
在保护实例中，可以观察到这两种需求之间的某种竞争：严重饥饿无法抑制疲劳，但是严重饥饿甚至比严重疲劳更强大。
现在，the的行为变得更加生动，它取决于内部动机和欲望：
结论
swim游泳和进食，还有更多：它对光有反应，可以触摸，如果您抓住头部，尝试突围（如模拟器中提供的那样），寻找并找到食物，遭受饥饿和疲劳，所有这些都在虚拟神经元的控制下。
最复杂的t有63个神经元和131个突触连接；我记得秀丽隐杆线虫有302个神经元，而生物t只需要1,500个神经元才能正常游泳。 动物越发达，解决问题的神经元冗余就越高，这是由于进化过程和对系统可靠性的需求所致。 仍然很难评估与人脑有关的神经元的冗余度，但是我认为，要实现接近人脑的计算机模型，就不需要量子计算机或大型机，即功能足够强大的家用计算机。 这是一个非常大胆的声明，首先，与该主题的许多专家的观点相抵触，其次，从此任务中消除了超级复杂的领域，没有它，就很难从投资者那里剔除神话般的投资。 现在最主要的不是计算能力，而是正确技术和方法的发展。
未来计划
OPENTadpole只是一个很小的阶段，在开发用于建模复杂神经系统的工具方面还有很长的路要走，在我看来，该工具已经成功完成。
下一个任务：创建一个模型，可以像宠物一样区分简单的语音命令，以便在了解团队环境的同时学习它们，并在必要时进行重新训练。 在工作时，我将尝试与GT读者分享我的发现。
OPENTadpole dowland Windows版源代码