Forskare ger robotar spontant beteende med artificiell intelligens

Forskare och robotiker försöker kontinuerligt uppnå autonoma funktioner i robotar och ser ofta till djurhjärnan som en inspirationskälla för kontrollmekanismer. På grund av den uppgiftsspecifika naturen hos robotbeteende, på grund av beroendet av fördefinierade moduler och kontrollmetodologier, är de ofta begränsade i flexibilitet.

Den senaste utvecklingen inom detta område kommer från Tokyos universitet, där forskare har skapat en alternativ maskinlärningsbaserad metod för att ge robotar med artificiell intelligens spontana beteenden. Teamet gjorde detta genom att förlita sig på invecklade tidsmässiga mönster, såsom en djurhjärnas neurala aktiviteter.

Forskningen publicerades i Science Advances, med titeln “Designing spontaneous behavioral switching via chaotic itinerancy.”

Högdimensionell kaos

Ett dynamiskt system är en matematisk modell av de ständigt föränderliga inre tillstånden hos något, som beskriver robotar och deras kontrollprogram. Forskare är särskilt fokuserade på högdimensionell kaos, en klass av dynamiska system, på grund av dess imponerande förmåga att modellera djurhjärnor.

På grund av komplexiteten och känsligheten för varierande initiala villkor är högdimensionell kaos särskilt utmanande att kontrollera. För att främja fältet och övervinna detta hinder har forskare från Intelligent Systems and Informatics Laboratory och Next Generation Artificial Intelligence Research Center vid Tokyos universitet utvecklat nya sätt att använda högdimensionell kaos för att ge robotar kognitiva funktioner liknande människors.

Katsuma Inoue är en doktorand som arbetar med forskningen.

“Det finns en aspekt av högdimensionell kaos som kallas kaotisk itinerans (CI) som kan förklara hjärnaktivitet under minnesåterkallande och association,” sa Inoue. “Inom robotik har CI varit ett viktigt verktyg för att implementera spontana beteendemönster. I denna studie föreslår vi ett recept för att implementera CI på ett enkelt och systematiskt sätt, endast med hjälp av komplicerade tidsmässiga mönster genererade av högdimensionell kaos. Vi kände att vår metod har potential för mer robusta och mångsidiga tillämpningar när det gäller att designa kognitiva arkitekturer. Det tillåter oss att designa spontana beteenden utan några fördefinierade explicita strukturer i kontrollen, som annars skulle fungera som ett hinder.”

Vad är Reservoir Computing (RC)?

Teamet förlitade sig tungt på reservoir computing (RC), en maskinlärningsteknik som involverar dynamiska systemteorier. RC används för att kontrollera återkommande neurala nätverk (RNN), och den håller de flesta anslutningarna i ett RNN fixerade medan den bara ändrar några parametrar. Detta skiljer sig från andra maskinlärningsmetoder, som ofta ändrar alla neurala anslutningar i ett neuralt nätverk, och det resulterar i att systemet kan tränas snabbare.

Forskarna uppnådde det önskade resultatet när de tillämpade RC-principer på ett kaotiskt RNN, och det visade sig demonstrera spontana beteendemönster. Träningen för nätverket sker snabbt och före exekvering.

“Djurhjärnor genererar högdimensionell kaos i sina aktiviteter, men hur och varför de använder kaos förblir oförklarat. Vår föreslagna modell kunde erbjuda insikt i hur kaos bidrar till informationsbearbetning i våra hjärnor,” sa Kohei Nakajima, en biträdande professor vid universitetet. “Även vår metod skulle ha en bredare inverkan utanför neurovetenskapsfältet, eftersom den potentiellt kan tillämpas på andra kaotiska system också. Till exempel, nästa generations neuromorfiska enheter som inspirerats av biologiska neuroner kan potentiellt visa högdimensionell kaos och skulle vara utmärkta kandidater för att implementera vår metod. Jag hoppas att vi kommer att se artificiella implementationer av hjärnfunktioner innan för lång tid. “

Utvecklingen är betydande för fälten robotik och artificiell intelligens (AI), eftersom forskare har arbetat med denna utmaning under en tid. Det är det senaste exemplet på hur fälten utvecklas i en snabb takt.