.png){kind=icon}
返回
Robot Cognitive Learning by Considering Physical Properties
.png){kind=icon}
OA
AI
DOI：10.1016/j.eng.2024.10.013.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人类通过与环境持续互动实现认知发展，提升感知与行为能力。然而，当前机器人缺乏类人行动与进化能力，成为提升机器人智能的瓶颈。现有研究主要将机器人建模为一维静态的感知到行动映射，忽略了感知与行为的动态过程。本文提出一种基于物理属性的机器人认知学习方法。我们构建了一个理论框架，将机器人概念化为由感知体（P-body）、认知体（C-body）和行为体（B-body）构成的三体物理系统。各体均参与物理动力学过程，并在闭环交互中运行。值得注意的是，三种关键交互连接了这些体：C-body依赖P-body提取的状态，并反向提供长期奖励以优化P-body的感知策略；此外，C-body通过子目标指导B-body的行动，而P-body衍生的状态则促进C-body的认知动力学学习；最后，B-body遵循C-body生成的子目标，在P-body提供的感知状态下执行动作，进而进入下一步交互。这些交互促进了各体的协同进化，最终实现最优设计。为验证该方法，我们采用配备可移动全局相机的四足机器人D'Kitty进行导航任务。导航能力需要感知、规划和D'Kitty运动的复杂协调。基于本框架的方法相比传统方法展现出更优的任务性能。总之，本文通过整合P-body、C-body和B-body间的物理交互（并考虑物理属性），实现了机器人认知学习范式的转变。该框架在导航任务中的成功应用证明了其在提升机器人智能方面的有效性。© 2024 THE AUTHORS. Published by Elsevier LTD on behalf of Chinese Academy of Engineering and Higher Education Press Limited Company. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Keyword:
Robot learning
Physical basis
Cognitive learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11.6
论文数:
2.7K
被引数:
1.5W
机构
引用论文
.png){kind=icon}
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition用于视觉识别的深度卷积网络中的空间金字塔池化OAAI
OAAI分享收藏
查看更多内容