Robotyka rozwojowa - Developmental robotics

Robotyka rozwojowa ( DevRob ), czasami nazywana robotyką epigenetyczną , to dziedzina nauki, której celem jest badanie mechanizmów rozwojowych, architektur i ograniczeń, które umożliwiają uczenie się przez całe życie nowych umiejętności i nowej wiedzy w ucieleśnionych maszynach . Podobnie jak w przypadku ludzkich dzieci, oczekuje się, że uczenie się będzie kumulatywne i stopniowo narastało złożoność oraz wynikało z samodzielnego poznawania świata w połączeniu z interakcjami społecznymi . Typowe podejście metodologiczne polega na rozpoczęciu od teorii rozwoju człowieka i zwierząt opracowanych w dziedzinach takich jak psychologia rozwojowa , neuronauka , biologia rozwojowa i ewolucyjna oraz językoznawstwo , a następnie ich sformalizowanie i wdrożenie w robotach, niekiedy eksplorując ich rozszerzenia lub warianty. Eksperymentowanie tych modeli w robotach pozwala naukowcom skonfrontować je z rzeczywistością, a w konsekwencji robotyka rozwojowa dostarcza również informacji zwrotnych i nowych hipotez dotyczących teorii rozwoju ludzi i zwierząt.

Robotyka rozwojowa jest pokrewna, ale różni się od robotyki ewolucyjnej (ER). ER wykorzystuje populacje robotów, które ewoluują w czasie, podczas gdy DevRob jest zainteresowany tym, jak organizacja systemu sterowania pojedynczego robota rozwija się wraz z doświadczeniem w miarę upływu czasu.

DevRob jest również związany z pracami wykonywanymi w dziedzinie robotyki i sztucznego życia .

Tło

Czy robot może uczyć się jak dziecko? Czy może nauczyć się wielu nowych umiejętności i nowej wiedzy nieokreślonej w czasie projektowania oraz w częściowo nieznanym i zmieniającym się środowisku? Jak może odkryć swoje ciało i relacje ze środowiskiem fizycznym i społecznym? W jaki sposób jego zdolności poznawcze mogą się stale rozwijać bez interwencji inżyniera, gdy jest on „poza fabryką”? Czego może się nauczyć poprzez naturalne interakcje społeczne z ludźmi? To są pytania w centrum robotyki rozwojowej. Alan Turing, podobnie jak wielu innych pionierów cybernetyki, sformułował te pytania i ogólne podejście już w 1950 r., ale dopiero od końca XX wieku zaczęto je systematycznie badać.

Ponieważ koncepcja adaptacyjnych inteligentnych maszyn ma kluczowe znaczenie dla robotyki rozwojowej, ma ona związek z takimi dziedzinami, jak sztuczna inteligencja, uczenie maszynowe, robotyka kognitywna czy neuronauka obliczeniowa . Jednak, chociaż może ponownie wykorzystać niektóre techniki opracowane w tych dziedzinach, różni się od nich z wielu perspektyw. Różni się od klasycznej sztucznej inteligencji tym, że nie zakłada zdolności zaawansowanego rozumowania symbolicznego i skupia się na ucieleśnionych i usytuowanych umiejętnościach sensomotorycznych i społecznych, a nie na abstrakcyjnych problemach symbolicznych. Różni się od robotyki kognitywnej, ponieważ skupia się na procesach, które umożliwiają kształtowanie zdolności poznawczych, a nie na samych tych zdolnościach. Różni się od neuronauki obliczeniowej, ponieważ koncentruje się na funkcjonalnym modelowaniu zintegrowanych architektur rozwoju i uczenia się. Mówiąc bardziej ogólnie, robotyka rozwojowa wyróżnia się następującymi trzema cechami:

  1. Jest ukierunkowany na architektury niezależne od zadań i mechanizmy uczenia się, tj. maszyna/robot musi być w stanie nauczyć się nowych zadań, które są nieznane inżynierowi;
  2. Kładzie nacisk na nieograniczony rozwój i uczenie się przez całe życie, czyli zdolność organizmu do ciągłego nabywania nowych umiejętności. Nie należy tego rozumieć jako zdolności do uczenia się „czegokolwiek” czy nawet „wszystkiego”, ale po prostu, że nabyty zestaw umiejętności może być nieskończenie rozszerzany przynajmniej w niektórych (nie we wszystkich) kierunkach;
  3. Złożoność nabytej wiedzy i umiejętności będzie stopniowo wzrastać (i wzrost ten będzie kontrolowany).

Robotyka rozwojowa pojawiła się na skrzyżowaniu kilku społeczności badawczych, w tym ucieleśnionej sztucznej inteligencji, kognitywistyki systemów enaktywnych i dynamicznych, koneksjonizmu. Wychodząc od zasadniczej idei, że uczenie się i rozwój są samoorganizującym się wynikiem dynamicznych interakcji między mózgami, ciałami oraz ich fizycznym i społecznym środowiskiem, a także próbując zrozumieć, w jaki sposób można wykorzystać tę samoorganizację do zapewnienia uczenia się przez całe życie niezależnego od zadań. Umiejętności o coraz większej złożoności, robotyka rozwojowa silnie współdziała z dziedzinami takimi jak psychologia rozwojowa, neuronauka rozwojowa i poznawcza, biologia rozwojowa (embriologia), biologia ewolucyjna i lingwistyka kognitywna. Ponieważ wiele teorii wywodzących się z tych nauk ma charakter werbalny i/lub opisowy, oznacza to kluczową formalizację i modelowanie obliczeniowe w robotyce rozwojowej. Te modele obliczeniowe są następnie wykorzystywane nie tylko jako sposoby na zbadanie, jak budować bardziej wszechstronne i adaptacyjne maszyny, ale także jako sposób na ocenę ich spójności i ewentualnie zbadanie alternatywnych wyjaśnień w celu zrozumienia rozwoju biologicznego.

Kierunki badań

Domeny umiejętności

Ze względu na ogólne podejście i metodologię projekty robotyki rozwojowej zwykle koncentrują się na tym, aby roboty rozwijały te same rodzaje umiejętności, co ludzkie niemowlęta. Pierwszą ważną kategorią, która jest przedmiotem badań, jest nabywanie umiejętności sensomotorycznych. Obejmują one odkrywanie własnego ciała, w tym jego struktury i dynamiki, takie jak koordynacja ręka-oko, lokomocja i interakcja z przedmiotami, a także posługiwanie się narzędziami, ze szczególnym uwzględnieniem odkrywania i uczenia się afordancji. Drugą kategorią umiejętności, na którą kierują się roboty rozwojowe, są umiejętności społeczne i językowe: nabywanie prostych społecznych gier behawioralnych, takich jak skręcanie, skoordynowana interakcja, leksykony, składnia i gramatyka oraz ugruntowywanie tych umiejętności językowych w umiejętnościach sensomotorycznych (czasami określanych jako uziemienie symbolu). Równolegle badane jest nabywanie powiązanych umiejętności poznawczych, takich jak pojawianie się rozróżnienia „ja/nie-ja”, rozwój zdolności uwagi, systemów kategoryzacji i reprezentacji wyższego poziomu afordancji lub konstrukcji społecznych, pojawiania się wartości , empatia lub teorie umysłu.

Mechanizmy i ograniczenia

Przestrzenie sensomotoryczne i społeczne, w których żyją ludzie i robot, są tak duże i złożone, że tylko niewielką część potencjalnie możliwych do nauczenia umiejętności można zbadać i nauczyć się w ciągu życia. Tak więc mechanizmy i ograniczenia są niezbędne, aby kierować organizmami rozwojowymi w ich rozwoju i kontrolować wzrost złożoności. Istnieje kilka ważnych rodzin tych mechanizmów prowadzących i ograniczeń, które są badane w robotyce rozwojowej, wszystkie inspirowane rozwojem człowieka:

  1. Systemy motywacyjne, generujące wewnętrzne sygnały nagrody, które napędzają eksplorację i uczenie się, które mogą być dwojakiego rodzaju:
    • motywacje zewnętrzne skłaniają roboty/organizmy do zachowania podstawowych specyficznych właściwości wewnętrznych, takich jak poziom pożywienia i wody, integralność fizyczna lub światło (np. w układach fototropowych);
    • wewnętrzne motywacje skłaniają robota do poszukiwania nowości, wyzwań, kompresji lub postępów w nauce per se, generując w ten sposób to, co czasami nazywa się uczeniem się i eksploracją napędzaną ciekawością lub alternatywnie aktywnym uczeniem się i eksploracją;
  2. Wskazówki społeczne: ponieważ ludzie wiele się uczą poprzez interakcję z rówieśnikami, robotyka rozwojowa bada mechanizmy, które mogą umożliwić robotom uczestniczenie w podobnych do ludzi interakcjach społecznych. Dostrzegając i interpretując sygnały społeczne, może to umożliwić robotom zarówno uczenie się od ludzi (poprzez różne środki, takie jak naśladowanie, emulacja, wzmacnianie bodźców, demonstracja itp.), jak i wyzwalanie naturalnej ludzkiej pedagogiki. W związku z tym badana jest również społeczna akceptacja robotów rozwojowych;
  3. Błędy wnioskowania statystycznego i skumulowane ponowne wykorzystanie wiedzy/umiejętności: błędy systematyczne charakteryzujące zarówno reprezentacje/kodowanie, jak i mechanizmy wnioskowania mogą zazwyczaj pozwolić na znaczną poprawę efektywności uczenia się i dlatego są badane. W związku z tym istotnym kierunkiem są również mechanizmy pozwalające wnosić nową wiedzę i nabywać nowe umiejętności poprzez ponowne wykorzystanie wcześniej poznanych struktur;
  4. Właściwości ucieleśnienia, w tym geometria, materiały lub wrodzone prymitywy/synergie motoryczne, często kodowane jako układy dynamiczne, mogą znacznie uprościć nabywanie umiejętności sensomotorycznych lub społecznych i są czasami określane jako obliczenia morfologiczne. Interakcja tych ograniczeń z innymi ograniczeniami jest ważną osią dochodzenia;
  5. Ograniczenia dotyczące dojrzewania: u ludzkich niemowląt zarówno ciało, jak i układ nerwowy rosną progresywnie, a nie są w pełni rozwinięte już po urodzeniu. Oznacza to na przykład, że wraz z rozwojem uczenia się i rozwoju mogą pojawiać się nowe stopnie swobody, a także wzrost głośności i rozdzielczości dostępnych sygnałów sensomotorycznych. Przeniesienie tych mechanizmów do robotów rozwojowych i zrozumienie, w jaki sposób może to utrudniać lub wręcz przeciwnie ułatwiać nabywanie nowych złożonych umiejętności, jest centralną kwestią w robotyce rozwojowej.

Od rozwoju biomimetycznego po inspirację funkcjonalną.

Podczas gdy większość projektów robotyki rozwojowej ściśle współpracuje z teoriami rozwoju zwierząt i ludzi, stopnie podobieństwa i inspiracji między zidentyfikowanymi mechanizmami biologicznymi a ich odpowiednikami w robotach, a także poziomy abstrakcji w modelowaniu mogą się znacznie różnić. Podczas gdy niektóre projekty mają na celu precyzyjne modelowanie zarówno funkcji, jak i implementacji biologicznej (modele neuronowe lub morfologiczne), takie jak w Neurorobotyce , inne projekty koncentrują się tylko na funkcjonalnym modelowaniu mechanizmów i ograniczeń opisanych powyżej i mogą na przykład ponownie wykorzystać w swoich architekturach techniki wywodzących się z matematyki stosowanej lub inżynierii.

Otwarte pytania

Ponieważ robotyka rozwojowa jest stosunkowo nową dziedziną badań, a jednocześnie bardzo ambitną, wiele podstawowych otwartych wyzwań pozostaje do rozwiązania.

Po pierwsze, istniejące techniki są dalekie od umożliwienia robotom wielowymiarowym w rzeczywistym świecie uczenia się przez całe życie otwartego repertuaru coraz bardziej złożonych umiejętności. Istotną przeszkodą do rozwiązania są wielkowymiarowe ciągłe przestrzenie sensomotoryczne. Innym przykładem jest skumulowane uczenie się przez całe życie . Właściwie do tej pory nie przeprowadzono żadnych eksperymentów trwających dłużej niż kilka dni, co mocno kontrastuje z czasem potrzebnym ludzkim niemowlętom na nauczenie się podstawowych umiejętności sensomotorycznych, wyposażonych w mózgi i morfologie, które są ogromnie potężniejsze niż istniejące mechanizmy obliczeniowe.

Wśród strategii, które należy zbadać, aby osiągnąć postęp w realizacji tego celu, interakcja między mechanizmami i ograniczeniami opisanymi w poprzedniej sekcji powinna być badana w sposób bardziej systematyczny. Rzeczywiście, do tej pory badano je głównie w izolacji. Istotną kwestią, którą należy zbadać, jest na przykład interakcja uczenia się motywowanego wewnętrznie i uczenia się kierowanego społecznie, być może ograniczona przez dojrzewanie.

Innym ważnym wyzwaniem jest umożliwienie robotom dostrzegania, interpretowania i wykorzystywania różnorodności multimodalnych sygnałów społecznych dostarczanych przez ludzi nieinżynierskich podczas interakcji człowiek-robot. Zdolności te są jak dotąd, w większości zbyt ograniczone, aby umożliwić efektywne nauczanie ogólnego przeznaczenia od ludzi.

Fundamentalną kwestią naukową, którą należy zrozumieć i rozwiązać, która ma zastosowanie w równym stopniu do rozwoju człowieka, jest to, jak kompozycyjność, hierarchie funkcjonalne, prymitywne i modularność, na wszystkich poziomach struktur sensomotorycznych i społecznych, mogą być formowane i wykorzystywane podczas rozwoju. Wiąże się to głęboko z problemem pojawiania się symboli, czasami określanym jako „ problem ugruntowania symboli ”, jeśli chodzi o przyswajanie języka. Właściwie samo istnienie i zapotrzebowanie na symbole w mózgu jest aktywnie kwestionowane i badane są alternatywne koncepcje, wciąż pozwalające na kompozycyjność i funkcjonalne hierarchie.

Podczas epigenezy biologicznej morfologia nie jest stała, lecz rozwija się w nieustannej interakcji z rozwojem umiejętności sensomotorycznych i społecznych. Rozwój morfologii stwarza oczywiste problemy praktyczne z robotami, ale może być kluczowym mechanizmem, który powinien być dalej badany, przynajmniej w symulacji, takiej jak robotyka morfogenetyczna.

Innym otwartym problemem jest zrozumienie związku między kluczowymi zjawiskami badanymi przez robotykę rozwojową (np. hierarchiczne i modułowe systemy sensomotoryczne, motywacje wewnętrzne/zewnętrzne/społeczne oraz uczenie się otwarte) a leżącymi u ich podstaw mechanizmami mózgowymi.

Podobnie w biologii mechanizmy rozwojowe (działające w ontogenetycznej skali czasu) ściśle współdziałają z mechanizmami ewolucyjnymi (działającymi w skali czasu filogenetycznego), jak pokazuje kwitnąca literatura naukowa „ evo-devo ”. Jednak interakcja tych mechanizmów w sztucznych organizmach, w szczególności robotach rozwojowych, jest nadal bardzo słabo zbadana. Interakcja mechanizmów ewolucyjnych, rozwijająca się morfologia oraz rozwijanie umiejętności sensomotorycznych i społecznych będzie zatem wysoce stymulującym tematem dla przyszłości robotyki rozwojowej.

Główne czasopisma

Konferencje główne

Finansowane przez NSF/DARPA Workshop on Development and Learning odbyły się w dniach 5-7 kwietnia 2000 na Michigan State University. Było to pierwsze międzynarodowe spotkanie poświęcone komputerowemu zrozumieniu rozwoju umysłowego przez roboty i zwierzęta. Termin „by” został użyty, ponieważ środki są aktywne podczas rozwoju.

Zobacz też

Bibliografia

Zewnętrzne linki

Komitety techniczne

Instytucje akademickie i badacze w terenie

Powiązane projekty na dużą skalę

Kursy

Pierwsze kursy licencjackie DevRob zostały zaoferowane w Bryn Mawr College i Swarthmore College wiosną 2003 r. odpowiednio przez Douglasa Blanka i Lisę Meeden. Pierwszy kurs absolwent w DevRob było oferowane w Iowa State University Alexander Stoytchev jesienią 2005 roku.