Onderzoekers geven robotische AI spontaan gedrag

Onderzoekers en roboticisten proberen voortdurend autonome functies in robots te bereiken en zoeken vaak naar inspiratie voor controlemechanismen in de dierlijke hersenen. Vanwege de taakgerichte aard van robotgedrag, vanwege de afhankelijkheid van vooraf gedefinieerde modules en controlemethoden, zijn ze vaak beperkt in flexibiliteit.

De nieuwste ontwikkeling op dit gebied komt uit de Universiteit van Tokio, waar onderzoekers een alternatieve machine learning-gebaseerde methode hebben ontwikkeld om robotische AI spontane gedragingen te geven. Het team deed dit door te vertrouwen op ingewikkelde tijdelijke patronen, zoals de neurale activiteiten van een dierlijke hersenen.

Het onderzoek werd gepubliceerd in Science Advances, getiteld “Ontwerp van spontane gedragswisseling via chaotische itinerantie.”

Hoogdimensionale chaos

Een dynamisch systeem is een wiskundig model van de voortdurend veranderende interne staten van iets, dat robots en hun controlesoftware beschrijft. Onderzoekers zijn vooral gefocust op hoogdimensionale chaos, een klasse van dynamische systemen, vanwege hun indrukwekkende mogelijkheid om dierlijke hersenen te modelleren.

Vanwege de complexiteit en gevoeligheid voor variabele initiële condities is hoogdimensionale chaos vooral moeilijk te controleren. Om het veld te ontwikkelen en deze hindernis te overwinnen, hebben onderzoekers van het Intelligent Systems and Informatics Laboratory en het Next Generation Artificial Intelligence Research Center van de Universiteit van Tokio nieuwe manieren ontwikkeld om hoogdimensionale chaos te gebruiken om robots te voorzien van cognitieve functies die vergelijkbaar zijn met die van de mens.

Katsuma Inoue is een doctoraalstudent die aan het onderzoek werkt.

“Er is een aspect van hoogdimensionale chaos genaamd chaotische itinerantie (CI) dat hersenactiviteit tijdens geheugenoproeping en associatie kan verklaren”, zei Inoue. “In de robotica is CI een belangrijk instrument voor het implementeren van spontane gedragspatronen. In deze studie stellen we een recept voor om CI op een eenvoudige en systematische manier te implementeren, alleen met behulp van ingewikkelde tijdsreeksenpatronen gegenereerd door hoogdimensionale chaos. We voelen dat onze aanpak potentieel heeft voor meer robuuste en veelzijdige toepassingen bij het ontwerpen van cognitieve architectuur. Het stelt ons in staat om spontane gedragingen te ontwerpen zonder enige vooraf gedefinieerde expliciete structuren in de controller, die anders een hindernis zouden vormen.”

Wat is Reservoir Computing (RC)

Het team vertrouwde zwaar op reservoir computing (RC), een machine learning-techniek die dynamische systemen theorie betreft. RC wordt gebruikt om recurrente neurale netwerken (RNN’s) te controleren en houdt de meeste verbindingen van een RNN vast terwijl alleen een paar parameters worden gewijzigd. Dit is anders dan andere machine learning-benaderingen, die vaak alle neurale verbindingen in een neurale netwerk licht wijzigen, en het resulteert in een systeem dat sneller getraind kan worden.

De onderzoekers bereikten het gewenste resultaat toen ze RC-principes toepasten op een chaotisch RNN, en het eindigde met het demonstreren van spontane gedragspatronen. De training voor het netwerk gebeurt snel en voor de uitvoering.

“Dierlijke hersenen vertonen hoogdimensionale chaos in hun activiteiten, maar hoe en waarom ze chaos gebruiken, blijft onverklaard. Ons voorgestelde model kan inzicht bieden in hoe chaos bijdraagt aan informatieverwerking in onze hersenen”, zei Kohei Nakajima, een associate professor aan de universiteit. “Bovendien zal ons recept een bredere impact hebben buiten het veld van de neurologie, omdat het potentieel kan worden toegepast op andere chaotische systemen. Bijvoorbeeld, next-generation neuromorfische apparaten geïnspireerd door biologische neuronen vertonen mogelijk hoogdimensionale chaos en zullen uitstekende kandidaten zijn voor het implementeren van ons recept. Ik hoop dat we binnenkort kunstmatige implementaties van hersenfuncties zullen zien.”

De ontwikkeling is significant voor de gebieden van robotica en kunstmatige intelligentie (AI), aangezien onderzoekers al een tijdje met deze uitdaging worstelen. Het is het recentste voorbeeld van hoe de gebieden snel vooruitgang boeken.