研究人员赋予机器人人工智能自发性行为

研究人员和机器人工程师不断尝试实现机器人自主功能，他们经常将动物大脑作为控制机制的灵感来源。由于机器人行为的任务特定性，由于依赖预定义的模块和控制方法论，它们在灵活性方面往往受到限制。

东京大学的最新发展是在这个领域，研究人员创建了一个替代的机器学习方法，以赋予机器人人工智能自发性行为。该团队通过依赖复杂的时间模式，例如动物大脑的神经活动，实现了这一点。

该研究发表在《科学进展》杂志上，题为“设计自发行为切换通过混沌漫游。”

高维混沌

动态系统是对某事物内部状态不断变化的数学模型，它描述了机器人及其控制软件。研究人员特别关注高维混沌，一类动态系统，因为它能够令人印象深刻地模拟动物大脑。

由于高维混沌的复杂性和对初始条件的敏感性，它特别具有挑战性。为了推进该领域并克服这一障碍，东京大学的智能系统和信息学实验室以及下一代人工智能研究中心的研究人员开发了新的方法，利用高维混沌为机器人提供类似人类的认知功能。

井上胜真是一名正在从事该研究的博士生。

“高维混沌有一个方面称为混沌漫游（CI），它可以解释记忆回忆和关联期间的大脑活动，”井上说。“在机器人领域，CI一直是实现自发性行为模式的关键工具。在这项研究中，我们提出了一个使用由高维混沌生成的复杂时间序列模式来实现CI的配方。我们认为我们的方法具有潜力，能够更强大和多样化地应用于设计认知架构。它允许我们在控制器中没有预定义的显式结构的情况下设计自发性行为，这将是障碍。”

什么是储备计算（RC）

该团队严重依赖储备计算（RC），一种涉及动态系统理论的机器学习技术。RC用于控制循环神经网络（RNN），并且保持RNN的大多数连接固定，同时仅更改少量参数。这与其他机器学习方法不同，后者通常会稍微更改神经网络中的所有神经连接，并且会导致系统能够更快地训练。

当研究人员将RC原理应用于混沌RNN时，他们实现了预期的结果，并且最终表明了自发性行为模式。网络的训练发生在执行之前。

“动物大脑在其活动中产生高维混沌，但它们如何和为什么使用混沌仍然没有解释清楚。我们的提议模型可能会提供如何混沌有助于我们大脑中的信息处理的见解，”大学副教授中岛康平说。“另外，我们的配方可能会对神经科学领域以外的其他混沌系统产生更广泛的影响。例如，下一代受生物神经元启发的类神经设备可能会表现出高维混沌，并且将是实施我们的配方的绝佳候选者。我希望我们很快就会看到人工实现大脑功能。”

该发展对于机器人和人工智能领域具有重要意义，研究人员已经在处理这个挑战一段时间了。这是这些领域正在快速发展的最新例子。