联系我们

机器人技术

研究人员赋予机器人AI自发行为

更新

 on

研究人员和机器人专家一直在努力实现机器人的自主功能,他们经常将动物的大脑视为控制机制的灵感来源。由于机器人行为的特定于任务的性质,由于依赖于预定义的模块和控制方法,它们的灵活性通常受到限制。

该领域的最新发展来自东京大学,研究人员在东京大学创造了一个替代方案 机器学习机器人AI自发行为的基于方法的方法。该团队通过依赖复杂的时间模式来做到这一点,例如动物的大脑’s neural activities.

该研究发表于 Science Advances ,标题为 “通过混沌迭代设计自发行为切换.” 

高维混沌

动力学系统是事物内部状态不断变化的数学模型,它描述了机器人及其控制软件。研究人员特别关注高维混沌,这是一类动力学系统,因为它具有令人印象深刻的动物大脑建模能力。 

由于复杂且对变化的初始条件敏感,因此高维混沌尤其难以控制。为了推进这一领域并消除这一障碍,来自智能系统和信息实验室和东京大学下一代人工智能研究中心的研究人员已经开发出使用高维混沌为机器人提供类似于认知功能的新方法。人类。 

井上克uma(Katsuma Inoue)是从事这项研究的博士生。 

“高维混沌的一个方面称为混沌迭代(CI),它可以解释记忆记忆和联想过程中的大脑活动,” Inoue said. “在机器人技术中,CI已成为实现自发行为模式的关键工具。在这项研究中,我们提出了一种仅通过使用高维混沌生成的复杂时间序列模式,以简单而系统的方式实施CI的方法。我们认为,在设计认知体系结构时,我们的方法有潜力用于更健壮和通用的应用程序。它允许我们设计自发性行为,而无需在控制器中使用任何预定义的显式结构,否则这些结构将成为障碍。”

什么是储层计算(RC) 

该团队非常依赖储层计算(RC),这是一种涉及动力学系统理论的机器学习技术。 RC用于控制 递归神经网络 (RNN),并保持大多数 神经网络 固定,而仅更改几个参数。这与其他机器学习方法不同,后者通常会稍微改变神经网络中的所有神经连接,并导致能够更快地训练系统。

当将RC原理应用于混沌RNN时,研究人员获得了预期的结果,并且最终证明了自发的行为模式。对网络的培训在执行之前迅速进行。 

“动物的大脑在其活动中会产生高维混沌,但是如何以及为何利用混沌仍无法解释。我们提出的模型可以提供洞见,了解混沌如何促进大脑中的信息处理,”大学副教授中岛耕平(Kohei Nakajima)说。“同样,我们的配方将在神经科学领域之外产生更广泛的影响,因为它也有可能被应用于其他混沌系统。例如,受生物神经元启发的下一代神经形态设备可能会出现高维混沌,并且是实施我们的配方的极佳候选者。我希望我们能在不久之前看到人为地实现大脑功能。”

随着研究人员解决这一挑战已有一段时间,这一发展对于机器人技术和人工智能(AI)领域具有重要意义。这是该领域快速发展的最新例子。

 

亚历克斯·麦克法兰(Alex McFarland)是一位历史学家和新闻工作者,报道了人工智能的最新发展。