Forscher geben Roboter-KI spontanes Verhalten

Forscher und Roboter-Ingenieure versuchen ständig, autonome Funktionen in Robotern zu erreichen, und suchen oft nach Inspiration für Steuerungsmechanismen im Tierhirn. Aufgrund der Aufgaben-spezifischen Natur des Roboter-Verhaltens, aufgrund der Abhängigkeit von vordefinierten Modulen und Steuerungsmethoden, sind sie oft in ihrer Flexibilität eingeschränkt.

Die neueste Entwicklung in diesem Bereich kommt von der Universität Tokio, wo Forscher eine alternative maschinelle Lernmethode entwickelt haben, um Roboter-KI spontanes Verhalten zu geben. Das Team erreichte dies, indem es auf komplexe zeitliche Muster, wie die neuronalen Aktivitäten des Tierhirns, setzte.

Die Forschung wurde in Science Advances veröffentlicht, mit dem Titel “Designing spontaneous behavioral switching via chaotic itinerancy.”

Hoherdimensionales Chaos

Ein dynamisches System ist ein mathematisches Modell der ständig wechselnden inneren Zustände von etwas, das Roboter und ihre Steuerungssoftware beschreibt. Forscher konzentrieren sich insbesondere auf hoherdimensionales Chaos, eine Klasse von dynamischen Systemen, aufgrund ihrer beeindruckenden Fähigkeit, Tierhirne zu modellieren.

Aufgrund der Komplexität und Empfindlichkeit gegenüber wechselnden Anfangsbedingungen ist hoherdimensionales Chaos besonders schwierig zu steuern. Um das Feld voranzutreiben und dieses Hindernis zu überwinden, haben Forscher vom Intelligent Systems and Informatics Laboratory und dem Next Generation Artificial Intelligence Research Center an der Universität Tokio neue Wege entwickelt, um hoherdimensionales Chaos zu nutzen, um Robotern kognitive Funktionen ähnlich denen des Menschen zu geben.

Katsuma Inoue ist ein Doktorand, der an der Forschung arbeitet.

“Es gibt einen Aspekt des hoherdimensionalen Chaos, das chaotische Itineranz (CI) genannt wird, das das Hirnverhalten während des Abrufs und der Assoziation von Erinnerungen erklären kann”, sagte Inoue. “In der Robotik ist CI ein wichtiger Schlüssel für die Implementierung spontaner Verhaltensmuster. In dieser Studie schlagen wir ein Rezept für die Implementierung von CI in einer einfachen und systematischen Weise vor, nur unter Verwendung von komplizierten Zeitreihenmustern, die durch hoherdimensionales Chaos generiert werden. Wir glauben, dass unser Ansatz das Potenzial für robustere und vielseitigere Anwendungen bei der Gestaltung kognitiver Architekturen hat. Es ermöglicht uns, spontane Verhaltensweisen ohne vordefinierte explizite Strukturen im Controller zu entwerfen, die sonst ein Hindernis darstellen würden.”

Was ist Reservoir Computing (RC)?

Das Team stützte sich stark auf Reservoir Computing (RC), eine maschinelle Lernmethode, die die Theorie dynamischer Systeme beinhaltet. RC wird verwendet, um rekurrente neuronale Netze (RNNs) zu steuern, und hält die meisten Verbindungen eines RNNs fest, während nur einige Parameter geändert werden. Dies unterscheidet sich von anderen maschinellen Lernansätzen, die oft alle neuronalen Verbindungen in einem neuronalen Netzwerk leicht ändern, und es führt dazu, dass das System schneller trainiert werden kann.

Die Forscher erzielten das gewünschte Ergebnis, als sie RC-Prinzipien auf ein chaotisches RNN anwendeten, und es zeigte spontane Verhaltensmuster. Die Schulung des Netzwerks erfolgt schnell und vor der Ausführung.

“Tierhirne erzeugen hoherdimensionales Chaos in ihren Aktivitäten, aber wie und warum sie Chaos nutzen, bleibt unerklärt. Unser vorgeschlagenes Modell könnte Einblicke in die Art und Weise geben, wie Chaos zur Informationsverarbeitung in unserem Gehirn beiträgt”, sagte Kohei Nakajima, ein Associate Professor an der Universität. “Außerdem würde unser Rezept einen breiteren Einfluss außerhalb des Bereichs der Neurowissenschaften haben, da es potenziell auf andere chaotische Systeme angewendet werden kann. Zum Beispiel könnten nächste Generationen von neuromorphen Geräten, die von biologischen Neuronen inspiriert sind, hoherdimensionales Chaos aufweisen und würden hervorragende Kandidaten für die Implementierung unseres Rezepts sein. Ich hoffe, wir werden künstliche Implementierungen von Hirnfunktionen bald sehen.”

Die Entwicklung ist für die Bereiche Robotik und künstliche Intelligenz (KI) von Bedeutung, da Forscher diese Herausforderung bereits seit einiger Zeit angehen. Es ist das jüngste Beispiel dafür, wie sich diese Bereiche schnell entwickeln.