Las funciones autónomas de los robots, como la espontaneidad, son muy buscadas. Muchos mecanismos de control de los robots autónomos se inspiran en las funciones de los animales, incluidos los humanos. Los roboticistas a menudo diseñan comportamientos de robots utilizando módulos predefinidos y metodologías de control, lo que los convierte en tareasespecíficos, limitando su flexibilidad. Los investigadores ofrecen un método alternativo basado en el aprendizaje automático para diseñar comportamientos espontáneos aprovechando patrones temporales complejos, como las actividades neuronales del cerebro de los animales. Esperan ver su diseño implementado en plataformas robóticas para mejorar sus capacidades autónomas.
Los robots y su software de control se pueden clasificar como un sistema dinámico, un modelo matemático que describe los estados internos en constante cambio de algo. Existe una clase de sistema dinámico llamado caos de alta dimensión, que ha atraído a muchos investigadores como esuna forma poderosa de modelar cerebros de animales. Sin embargo, generalmente es difícil controlar el caos de alta dimensión debido a la complejidad de los parámetros del sistema y su sensibilidad a las condiciones iniciales variables, un fenómeno popularizado por el término "efecto mariposa".del Laboratorio de Informática y Sistemas Inteligentes y el Centro de Investigación de Inteligencia Artificial de Próxima Generación de la Universidad de Tokio exploran formas novedosas de explotar la dinámica del caos de alta dimensión para implementar funciones cognitivas similares a las humanas.
"Hay un aspecto del caos de alta dimensión llamado itinerancia caótica IC que puede explicar la actividad cerebral durante el recuerdo y la asociación", dijo la estudiante de doctorado Katsuma Inoue. "En robótica, IC ha sido una herramienta clave para implementar comportamientos espontáneospatrones. En este estudio, proponemos una receta para implementar CI de una manera simple y sistemática utilizando únicamente patrones complicados de series de tiempo generados por el caos de alta dimensión. Sentimos que nuestro enfoque tiene potencial para aplicaciones más robustas y versátiles cuando se trata de diseñararquitecturas cognitivas. Nos permite diseñar comportamientos espontáneos sin estructuras explícitas predefinidas en el controlador, que de otro modo servirían como un obstáculo ".
La computación de reservorio RC es una técnica de aprendizaje automático que se basa en la teoría de sistemas dinámicos y proporciona la base del enfoque del equipo. RC se utiliza para controlar un tipo de red neuronal llamada red neuronal recurrente RNN. A diferencia de otros sistemas de aprendizaje automáticoenfoques que sintonizan todas las conexiones neuronales dentro de una red neuronal, RC solo ajusta algunos parámetros mientras mantiene fijas todas las demás conexiones de un RNN, lo que hace posible entrenar el sistema más rápido. Cuando los investigadores aplicaron los principios de RC a un RNN caótico, mostróel tipo de patrones de comportamiento espontáneos que esperaban. Desde hace algún tiempo, esto ha demostrado ser una tarea desafiante en el campo de la robótica y la inteligencia artificial. Además, el entrenamiento para la red se realiza antes de la ejecución y en un corto período de tiempo.
"Los cerebros de los animales producen un caos de alta dimensión en sus actividades, pero no se explica cómo y por qué utilizan el caos. Nuestro modelo propuesto podría ofrecer información sobre cómo el caos contribuye al procesamiento de la información en nuestros cerebros", dijo el profesor asociado Kohei Nakajima., nuestra receta tendría un impacto más amplio fuera del campo de la neurociencia, ya que también podría aplicarse a otros sistemas caóticos. Por ejemplo, los dispositivos neuromórficos de próxima generación inspirados en neuronas biológicas exhiben potencialmente un caos de alta dimensión y serían excelentes candidatos para implementarnuestra receta. Espero que veamos implementaciones artificiales de funciones cerebrales en poco tiempo ".
Fuente de la historia :
Materiales proporcionado por Universidad de Tokio . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :