Forskere giver robotter spontant adfærd med kunstig intelligens

Forskere og robotteknikere prøver løbende at opnå autonome funktioner i robotter og søger ofte inspiration i dyrehirnen til kontrolmekanismer. På grund af den opgavebestemte natur af robotadfærd, på grund af afhængigheden af foruddefinerede moduler og kontrolmetoder, er de ofte begrænsede i fleksibilitet.

Den nyeste udvikling på dette område kommer fra University of Tokyo, hvor forskere har udviklet en alternativ maskinlæringsbaseret metode til at give robotter spontane adfærdsformer. Holdet gjorde dette ved at afhænge af intrikate tidsmæssige mønstre, såsom en dyrehirns neurale aktiviteter.

Forskningen blev offentliggjort i Science Advances, med titlen “Designing spontan adfærdsskiftning via kaotisk itinerancy.”

Højdimensionel Kaos

Et dynamisk system er en matematisk model af de konstant skiftende interne tilstande af noget, der beskriver robotter og deres kontrolsoftware. Forskere er særligt fokuseret på højdimensionel kaos, en klasse af dynamiske systemer, på grund af dets imponerende evne til at modelere dyrehirner.

På grund af kompleksiteten og følsomheden over for varierende initialbetingelser er højdimensionel kaos særligt udfordrende at kontrollere. For at fremme feltet og overvinde dette hinder har forskere fra Intelligent Systems and Informatics Laboratory og Next Generation Artificial Intelligence Research Center på University of Tokyo udviklet nye måder at bruge højdimensionel kaos til at give robotter kognitive funktioner lignende menneskers.

Katsuma Inoue er en ph.d.-studerende, der arbejder på forskningen.

“Der er et aspekt af højdimensionel kaos kaldet kaotisk itinerancy (CI), der kan forklare hjerneaktivitet under erindring og association,” sagde Inoue. “I robotteknik er CI blevet et nøgleværktøj til at implementere spontane adfærdsmønstre. I denne studie foreslår vi en recept til at implementere CI på en simpel og systematisk måde kun ved at bruge komplicerede tidsmæssige mønstre genereret af højdimensionel kaos. Vi føler, at vores tilgang har potentiale for mere robuste og fleksible anvendelser, når det kommer til at designe kognitive arkitekturer. Det tillader os at designe spontane adfærdsformer uden nogen foruddefinerede eksplisitte strukturer i kontrolleren, som ellers ville fungere som en hindring.”

Hvad er Reservoir Computing (RC)?

Holdet afhængede stærkt af reservoir computing (RC), en maskinlæringsmetode, der involverer dynamiske systemteorier. RC bruges til at kontrollere rekurrente neurale netværk (RNN), og det holder de fleste forbindelser i et RNN fast, mens det kun ændrer få parametre. Dette adskiller sig fra andre maskinlæringsmetoder, der ofte ændrer alle neurale forbindelser i et neuralt netværk lidt, og det resulterer i, at systemet kan trænes hurtigere.

Forskerne opnåede det ønskede resultat, da de anvendte RC-principper på et kaotisk RNN, og det endte med at demonstrere spontane adfærdsmønstre. Træningen af netværket sker hurtigt og før udførelse.

“Dyrehirner giver højdimensionel kaos i deres aktiviteter, men hvordan og hvorfor de bruger kaos er ikke forklaret. Vores foreslåede model kunne give indsigt i, hvordan kaos bidrager til informationsbehandling i vores hjerne,” sagde Kohei Nakajima, en lektor ved universitetet. “Også vores recept ville have en bredere indvirkning uden for neurovidenskabens felt, da den potentielt kan anvendes på andre kaotiske systemer. For eksempel ville næste generations neuromorfe enheder, inspireret af biologiske neuroner, sandsynligvis udvise højdimensionel kaos og ville være udmærkede kandidater til at implementere vores recept. Jeg håber, vi snart vil se kunstige implementationer af hjernefunktioner.

Udviklingen er betydningsfuld for robotteknik og kunstig intelligens (AI), da forskere har arbejdet med denne udfordring i længe. Det er det seneste eksempel på, hvordan feltet udvikler sig i hurtigt tempo.