Tutkijat antavat Robotic AI spontaanin käyttäytymisen

Tutkijat ja robotikot yrittävät jatkuvasti saavuttaa robottien autonomisia toimintoja, ja he katsovat usein eläimen aivoihin inspiraationa ohjausmekanismeille. Robottikäyttäytymisen tehtäväkohtaisen luonteen ja ennalta määritettyihin moduuleihin ja ohjausmenetelmiin luottamuksen vuoksi niiden joustavuus on usein rajoitettua.

Uusin kehitys tällä alalla on tulossa Tokion yliopistosta, jossa tutkijat ovat luoneet vaihtoehtoisen koneoppimiseen perustuvan menetelmän, joka antaa robottien tekoälyn spontaaneja käyttäytymismalleja. Tiimi teki tämän tukeutumalla monimutkaisiin ajallisiin kuvioihin, kuten eläimen aivojen hermotoimintaan.

Tutkimus julkaistiin Tiede ennakot, nimeltään “Spontaanien käyttäytymisen vaihtamisen suunnittelu kaoottisen matkan kautta" 

Korkean ulottuvuuden kaaos

Dynaaminen järjestelmä on matemaattinen malli jonkin jatkuvasti muuttuvista sisäisistä tiloista, joka kuvaa robotteja ja niiden ohjausohjelmistoja. Tutkijat ovat keskittyneet erityisesti korkean ulottuvuuden kaaokseen, dynaamisten järjestelmien luokkaan, koska se pystyy mallintamaan eläinten aivoja. 

Monimutkaisuuden ja vaihtelevien alkuolosuhteiden herkkyyden vuoksi korkean ulottuvuuden kaaosta on erityisen haastavaa hallita. Edistääkseen alaa ja poistaakseen tämän esteen älykkäiden järjestelmien ja tietotekniikan laboratorion ja Tokion yliopiston seuraavan sukupolven tekoälyn tutkimuskeskuksen tutkijat ovat kehittäneet uusia tapoja käyttää korkean ulottuvuuden kaaosta tarjotakseen roboteille samanlaisia ​​kognitiivisia toimintoja kuin ihmisiä. 

Katsuma Inoue on tutkimuksen parissa työskentelevä tohtoriopiskelija. 

"Suuriulotteisessa kaaoksessa on osa, jota kutsutaan kaoottiseksi matkamatkaksi (CI), joka voi selittää aivojen toimintaa muistin palauttamisen ja assosioinnin aikana", Inoue sanoi. ”Robotiikassa CI on ollut keskeinen työkalu spontaanin käyttäytymismallin toteuttamisessa. Tässä tutkimuksessa ehdotamme reseptiä CI:n toteuttamiseen yksinkertaisella ja systemaattisella tavalla vain käyttämällä monimutkaisia ​​aikasarjakuvioita, jotka ovat muodostuneet korkean ulottuvuuden kaaoksesta. Tunsimme, että lähestymistapamme sisältää potentiaalia vankampiin ja monipuolisempiin sovelluksiin kognitiivisten arkkitehtuurien suunnittelussa. Sen avulla voimme suunnitella spontaaneja käyttäytymismalleja ilman ennalta määriteltyjä eksplisiittisiä rakenteita ohjaimessa, mikä muuten toimisi esteenä."

Mikä on Reservoir Computing (RC) 

Ryhmä luotti vahvasti reservoir computingiin (RC), koneoppimistekniikkaan, joka sisältää dynaamisten järjestelmien teorian. RC:tä käytetään ohjaamaan toistuvia hermoverkkoja (RNN), ja se pitää useimmat RNN:n yhteydet kiinteinä muuttaen vain muutamia parametreja. Tämä eroaa muista koneoppimismenetelmistä, jotka usein muuttavat hieman kaikkia hermoverkon hermoyhteyksiä, ja sen ansiosta järjestelmää voidaan kouluttaa nopeammin.

Tutkijat saavuttivat halutun tuloksen soveltaessaan RC-periaatteita kaoottiseen RNN:ään, ja se päätyi osoittamaan spontaaneja käyttäytymismalleja. Verkoston koulutus tapahtuu nopeasti ja ennen toteutusta. 

”Eläinten aivot tuottavat toiminnassaan korkean ulottuvuuden kaaosta, mutta miten ja miksi ne hyödyntävät kaaosta, jää selittämättömäksi. Ehdottamamme mallimme voisi tarjota näkemyksen siitä, kuinka kaaos vaikuttaa aivoissamme tapahtuvaan tiedonkäsittelyyn”, sanoo yliopiston apulaisprofessori Kohei Nakajima. "Reseptillämme olisi myös laajempi vaikutus neurotieteen alan ulkopuolella, koska sitä voidaan mahdollisesti soveltaa myös muihin kaoottisiin järjestelmiin. Esimerkiksi seuraavan sukupolven neuromorfisissa laitteissa, jotka ovat saaneet inspiraationsa biologisista hermosoluista, saattaa esiintyä korkean ulottuvuuden kaaosta, ja ne olisivat erinomaisia ​​ehdokkaita reseptimme toteuttamiseen. Toivon, että näemme aivotoimintojen keinotekoisia toteutuksia ennen pitkää."

Kehitys on merkittävää robotiikan ja tekoälyn (AI) aloille, sillä tutkijat ovat tarttuneet tähän haasteeseen jo jonkin aikaa. Se on viimeisin esimerkki siitä, kuinka kentät kehittyvät nopeasti.