Исследователи дают роботам спонтанное поведение с помощью ИИ

Исследователи и робототехники постоянно пытаются достичь автономных функций в роботах и часто смотрят на мозг животных как на источник вдохновения для механизмов управления. Из-за задачно-специфического характера поведения роботов, обусловленного зависимостью от предопределенных модулей и методов управления, они часто ограничены в гибкости.

Последнее развитие в этой области происходит в Университете Токио, где исследователи создали альтернативный метод, основанный на машинном обучении, для придания роботам спонтанного поведения. Команда сделала это, полагаясь на сложные временные закономерности, такие как нейронная активность мозга животных.

Исследование было опубликовано в Science Advances, под названием “Проектирование спонтанного поведенческого переключения через хаотическую итерацию.”

Хаос высокой размерности

Динамическая система – это математическая модель постоянно меняющихся внутренних состояний чего-либо, что описывает роботов и их программное обеспечение. Исследователи особенно сосредоточены на хаосе высокой размерности, классе динамических систем, благодаря его впечатляющей способности моделировать мозг животных.

Из-за сложности и чувствительности к различным начальным условиям хаос высокой размерности особенно сложно контролировать. Чтобы продвинуть эту область и преодолеть это препятствие, исследователи из Лаборатории интеллектуальных систем и информатики и Центра исследований искусственного интеллекта следующего поколения в Университете Токио разработали новые методы использования хаоса высокой размерности для предоставления роботам когнитивных функций, подобных человеческим.

Катсума Иноуэ – аспирант, работающий над этим исследованием.

“Существует аспект хаоса высокой размерности, называемый хаотической итерацией (CI), который может объяснить активность мозга во время воспоминания и ассоциации”, – сказал Иноуэ. “В робототехнике CI был ключевым инструментом для реализации спонтанных поведенческих закономерностей. В этом исследовании мы предлагаем рецепт для реализации CI простым и систематическим способом, используя только сложные временные закономерности, сгенерированные хаосом высокой размерности. Мы считаем, что наш подход имеет потенциал для более прочных и универсальных применений при проектировании когнитивных архитектур. Это позволяет нам проектировать спонтанное поведение без каких-либо предопределенных явных структур в контроллере, что в противном случае было бы препятствием”.

Что такое вычисление резервуара (RC)?

Команда сильно полагалась на вычисление резервуара (RC), метод машинного обучения, включающий теорию динамических систем. RC используется для управления рекуррентными нейронными сетями (RNN) и сохраняет большинство соединений RNN неизменными, изменяя только несколько параметров. Это отличается от других подходов к машинному обучению, которые часто слегка изменяют все нейронные соединения в нейронной сети, и приводит к тому, что система может быть обучена быстрее.

Исследователи достигли желаемого результата, применив принципы RC к хаотической RNN, и в результате получили демонстрацию спонтанных поведенческих закономерностей. Обучение сети происходит быстро и до выполнения.

“Мозг животных демонстрирует хаос высокой размерности в своей активности, но как и почему они используют хаос, остается неясным. Наша предложенная модель может дать представление о том, как хаос способствует обработке информации в нашем мозге”, – сказал Кохэй Накадзима, доцент университета. “Кроме того, наш рецепт может иметь более широкое влияние за пределами области нейробиологии, поскольку его можно потенциально применить и к другим хаотическим системам. Например, устройства следующего поколения, вдохновленные биологическими нейронами, потенциально демонстрируют хаос высокой размерности и будут отличными кандидатами для реализации нашего рецепта. Я надеюсь, что мы скоро увидим искусственные реализации функций мозга”.

Разработка значима для областей робототехники и искусственного интеллекта (ИИ), поскольку исследователи уже некоторое время решают эту задачу. Это последний пример того, как эти области быстро развиваются.