研究人员赋予机器人AI自发性行为

研究人员和机器人专家不断尝试实现机器人中的自主功能，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，它们通常在灵活性方面受到限制。

该领域的最新发展来自东京大学，研究人员已经创建了一种替代的基于机器学习的方法，以赋予机器人AI自发性行为。该团队通过依赖复杂的时间模式（如动物大脑的神经活动）实现了这一点。

该研究发表在Science Advances上，题为 “设计自发行为切换通过混沌漫游。”

高维混沌

动态系统是某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。研究人员尤其关注高维混沌，一类动态系统，因为它具有令人印象深刻的模拟动物大脑的能力。

由于复杂性和对初始条件的敏感性，高维混沌特别难以控制。为了推进该领域并克服这一障碍，东京大学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已经开发了新的方法，利用高维混沌为机器人提供类似于人类的认知功能。

Katsuma Inoue是一名正在从事该研究的博士生。

“高维混沌中有一种被称为混沌漫游（CI）的方面，可以解释记忆回忆和联想期间的大脑活动，”井上说。“在机器人领域，CI一直是实现自发行为模式的关键工具。在这项研究中，我们提出了一种使用高维混沌生成的复杂时间序列模式以简单和系统的方式实现CI的配方。我们认为我们的方法具有更强大和多功能的应用潜力，特别是在设计认知架构方面。它允许我们在控制器中没有任何预定义的显式结构的情况下设计自发行为，这将成为一种障碍。”

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），并且它保持RNN的大多数连接固定，同时只改变几个参数。这与其他机器学习方法不同，通常会稍微改变神经网络中的所有神经连接，从而导致系统能够更快地训练。

当应用RC原理到混沌RNN时，研究人员实现了期望的结果，并且它最终表现出自发行为模式。网络的训练发生在执行之前，并且速度很快。

“动物大脑在其活动中表现出高维混沌，但它们如何和为什么利用混沌仍然没有解释清楚。我们的提出的模型可能会对混沌如何为我们的大脑信息处理做出贡献提供见解，”中岛浩平（Kohei Nakajima），大学副教授说。“另外，我们的配方将对神经科学领域以外产生更广泛的影响，因为它可以潜在地应用于其他混沌系统。例如，受生物神经元启发的下一代神经形态设备可能会表现出高维混沌，并且是实施我们的配方的理想候选者。我希望我们很快就会看到人工实现的大脑功能。”

该发展对于机器人和人工智能（AI）领域具有重要意义，因为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。