论文部分内容阅读
类人的智能一直是人工智能和机器人领域的研究目标。目前,比较成熟应用的机器人主要是在特定环境下的,针对特定任务的机器人。随着对智能化水平需求的不断提高,越来越需要能在高度复杂环境下工作,执行非特定任务和具有高度自治性的类人智能机器人。而采用传统人工智能方法设计的机器人存在任务确定、离线学习、智能扩展性差、无法适应多变的环境等局限。受认知科学、神经生物学和心理学等学科交叉的启发,研究人员开始着眼于认知机器人这一新的思路解决上述问题与局限。本文的研究工作也是在认知机器人这一新兴领域作一初步探索,提出自己的解决方法。借鉴认知科学和神经生物学中人脑认知机理相关理论,建立基于海马-前额叶记忆系统的认知计算模型。以此模型为基础提出视觉感知的自主学习算法,模拟人脑处理信息和控制学习过程的认知机制。使机器人能够在线地自主探索与学习视觉知识,并根据其自身与环境的不断交互来主动调整学习策略,不断积累经验和发育智能。论文所做的具体工作与贡献如下:(1)在详细了解目前认知科学与神经生物学中有关人脑工作机理后,提出基于海马-前额叶记忆系统的认知计算模型。模型由感知映射、工作记忆及生长式长时记忆构成,模仿人脑的记忆结构和功能,实现复杂的信息加工机制。(2)针对将高维视觉感知映射为低维表达的问题,提出基于自适应子空间在线PCA算法,将视觉感知在线映射为内部表达,供记忆系统继续加工。该算法根据新样本与已学习样本的差异程度,自适应调整子空间更新策略,既能增量地在线地将视觉感知映射为内部表达,又能识别视觉物体或场景等。实验表明该算法能处理未知样本问题,实现了视觉输入在线感知、积累和更新,逐渐增强系统感知与识别能力。(3)提出基于海马-前额叶神经回路的工作记忆数学描述。采用多巴胺调控机制的Q学习描述前额叶的工作机理,视觉陌生度内部动机来描述海马功能,并用此内部动机驱动和控制前额叶Q学习过程,模拟人脑工作记忆功能。在此基础上提出一种视觉陌生度驱动的增量自主式视觉学习算法,使得机器人能够根据其自身对环境的视觉陌生度来主动调整学习策略。移动机器人视觉场景学习实验验证算法具有自主探索与学习性能,主动引导机器人学习新知识的方式与能力,以及在线积累知识并发育其智能的能力。(4)针对机器人知识存储、积累和发育问题,模拟人脑长时记忆及其与工作记忆相互协调机理,提出一种视觉陌生度驱动的生长式长时记忆的自主学习算法,将自主学习到的视觉知识不断积累到长时记忆中,实现与人类相仿的自主学习、生长式记忆与智能发育能力。实验结果表明机器人具备生长式长时记忆后,能将自主学习到的知识增量存储、更新,智能发育、识别、泛化和知识扩展能力得到提高。(5)针对复杂非特定任务的学习问题,首先提出一种基于生长式长时记忆的感知-动作映射自主学习算法,学习感知和其对应动作的关联,实现从简单感知知识到较为复杂的感知-动作映射的自主发育式学习。然后提出从感知-动作映射学习复杂任务执行的方法,通过学习感知-动作映射序列来实现复杂任务的学习,使机器人实现从执行简单任务到完成复杂任务的学习能力,使智能发育。通过模拟复杂任务来验证此方法的有效性。本文所做的研究工作是在认知人工智能及机器人领域中做的一个初步的探索,在一定程度上解决了传统人工智能方法的局限。要使机器人的智能更接近人类智能,还有很长的路要走。