欢迎光临中国机器人网站,我们致力于各行业应用研究

【了解机器人的样子和功能】对机器人或人工智能的研究能帮助人类更了解自己吗?

作者:以沫      发布时间:2021-04-23      浏览量:0
机器人和人工智能的研究会有助于更好地理解

机器人和人工智能的研究会有助于更好地理解人类自己吗?主题给了赵思家知识栏的文章。介绍位置细胞和网格细胞。去年我在等review的时候,也写了2014年诺贝尔奖生理学医学奖的意思,得知日报收到了~这是计算问题的短答案。发现大脑GPS系统的三位大师刚获得诺贝尔奖。

首先要做简单的科学普及,回答这个主题。从方法论上解读人工智能的研究方向,试图在哪个水平模拟人脑的功能?

现有的大多数人工智能研究领域实际上只是模仿人脑的功能,原理是否相似,大家都不在乎。例如,游戏中的AI、状态机、行为树(当然机器人的研究也很常用),这些研究对人来说有点像心理学的研究。所以HerbertSimon既是人工智能的大家,也是心理学的大家。计算机视觉研究大多只是为了识别物体或理解场景。数学上很清楚,但没有研究大脑的工作模式或类似大脑的方法。对于研究工作来说,原理不或无法再现是科学界难以接受的。类脑的研究可能局限于这个说不清楚。最终,如果模拟大脑能产生意识,每个意识一定是独立的,不能复制。现在的科学体系大概是需要用量子的观点来接受这种个人随机整体可以统计的人工智能吧。这似乎又在研究人类社会学习了吗?

这种AI强调解决问题,所以大多数人知道的人工智能都是这个方向。工程应用中也有很多是这样的AI。

从人脑宏观工作方式的角度研究人工智能的科学家们。大脑的大致解剖学告诉我们大脑不仅仅是顶叶额叶颞叶枕叶四个区域,Brodmann将大脑分成近50个区域,现代大脑更加细致。神经学家努力研究所有部分脑的工作(大部分研究基本功能),计算神经学家希望模拟所有部分的小功能,无论机构是否类型,都希望完成比较强的完整功能。例如,HMAX模拟了视觉的6个皮层,实现了物体识别的功能。BrainBasedDevice,多方面尝试,完成简单的导航功能。这样的研究不求模拟神经元级的大脑活动,希望通过大脑各部分的小功能和各部分的连接关系复活智能,或者证明大脑的预想。不必完全依照大脑的构造,能够部分类大脑,部分是纯工程的方法,能够具备一定的应用价值。我们的研究也可以算作这个范畴。

后来发现大脑是亿万个神经元的连接,从微观开始研究神经元的连接,希望用工程方式再现小脑,试试这个部分的功能。但是,由于目前对大脑的理解太少,部分重建不一定能实现整个大脑的功能,这部分工作还停留在研究阶段。神经形态学、脉冲神经网络更像这项研究。当然,神经学家从建立每个神经元开始,也不一定要实现功能。我现在记得耶鲁大学的NEURON模拟软件。这项研究是非常基础的,我也不知道能不能分为人工智能领域。

从事机器人和人工智能的研究,不一定能更好地理解人的本身,但科学家确实在这方面努力。包括目前深入的学习,是人脑神经元获得反馈的学习方式,但网络和学习过程不追求类脑。进化计算也是希望学习大脑的成长方式,但技术的实现也完全没有关系。更多的细分方向是为了解决问题,而不是为了理解人类自己。

以下回答问题主的第一个小问题:新加坡科技研究局的这次探索有什么意义?

2011年——回到时间,看了我几年的工作报告,全面展示了我们如何发展到这项工作,积累了点滴,研究工作有点突破。以下提到的名字大多是大神,大家可以自己搜索。

2011年6月,首先完成实体机器人~NECO,即NerualCognitiverRobot,这是第一代,参考Wall-E。当时的设计有些硬伤,底盘没有码盘,方向的获取是指南针。指南针可以得到绝对的方向,这与生物系统本身相反。直接问题是在室内磁场强的地方获得的方向偏差太大。

目标是实现十字迷宫的搜索。场景如下:

这是EdwardTolman为老鼠设计的迷宫,用于论证老鼠脑中有认知地图。我们把小机器人放进去,机器人搜索后,下次我们给他刺激,他下次可以直接找到相应的地方(左边是出发点,其他地方是奶、奶酪和苹果)。我们当时是跟随Gerald?Edelman做的BrainBased?Device的研究,根据大脑的部位连接方式建立神经网络计算模型,放入机器人看是否可以重现生物实验。我们基本上继续这个想法。他们不关心微观的神经元活动,只希望用功能模块验证大脑各部分之间的连接。我们的工作是希望复活他们的文章。(SensoryIntegration,andRemappinginaModellofthe?MedialTemporalLobeDuringMazeNavigationbyain-Basededevice),我们根据文章重写了Matlab的代码。我当时的工作主要是机器人代码的实现。没有参与算法的部分。HuangWeiwei兄弟用HMAX模型代替了原作中的传感器计算模型。

软件界面大概是这样的。那些矩阵都是神经计算模型的状态。

2011年9月,RatSLAM研究开始。作者MichaelMilford是年轻的机器人科学家,主要成果是Posecell(姿势细胞,只是计算模型,不是大脑中真正存在的神经元),有些性质与网格细胞相似。我们将迷宫改为以下几点,建图部分完全依照RatSLAM的算法。

但是,在导航部分添加了OleJessen的EpisodicMemory(故事记忆)模型。

结果的表现可能是这样的。的双曲馀弦值。的双曲馀弦值。

写期刊论文,至今仍是unpublished..

当时工作的两个硬伤,第一个是核心计算模型是别人的,TangHuajin博士首先研究Place和Grid和cell的计算模型。这些文章大多发表在Nature、Science、PNAS、PloS等期刊上,这项工作是硬骨头,开始了粗糙的工作。的双曲馀弦值。还是上面的迷宫,只生成GridCell的模型,主要由大四学生完成。当然,现在这项工作的原理似乎是错误的。的双曲馀弦值。最后结果是右下图。但是,这个结果得到了学院的优秀毕业设计~

之后,另一个大学四年级学生进行了初步的网格细胞重叠到位置细胞的试验。这也是重现论文Fromgrid,cellsto,placecells:flamamathematical的工作。但是,这篇论文的问题是理论上检验网格细胞出现的gridfield可以直线重叠获得位置细胞的placefield。但是,placefield只出现在环境的中间。的双曲馀弦值。的双曲馀弦值。

2012年6月以后,GridCell和Placell计算模型的研究暂时搁置。的双曲馀弦值。

在此期间,大家深感迷宫中的工作难以接受,大上司Li·Haizhou首先提出了将机器人转移到实际环境中的意见,没有必要急于应用各种神经计算模型,之后的一段时间我们正在做这件事。的双曲馀弦值。

先做了一个更丑的机器人,但整个系统都换到了ROS下面。研究了RGBDSLAM和深度传感器。(其实有两个高级照相机,但我没有在他们上面研究)。机器人就是这样。

由于没有人使用单一的kinect进行大规模的图形导航,所以我们在自己的办公室里尝试了一下,图形效果还不错,导航有点差。的双曲馀弦值。

之后,利用kinect尝试人机交互,不得不说kinect是神器。机器人有点漂亮。的双曲馀弦值。

Shim·VuiAnn花了很多精力解决了局部导航的问题,我也提高了建筑图的精度。这次在办公室内导航是自由的~地图上试了5个点,基本上可以和Willowgaragenavigationpackage的结果相当。

这两篇文章都发表在IROS上,核心算法是RatSLAM,是我们机器人工作的肯定。这些工作结束后,又回到了老问题,研究神经认知算法,如何将GridCell和PlaceCell的计算模型用于机器人?神经学家大多数工作是通过观察老鼠和记录神经活动的状态,以总结的方式给出计算模型。这些模型大多是分离破碎的。例如,如何生成GridCell、如何线性重叠、如何学习的模型、如何制作Gridcell等。生物学家无法获得生物感知信号,因此推测place的cell和视觉等信号形成共同记忆,下次认定某个位置时重置路径点的误差。这部分是机器人SLAM经常研究的loopclosure(闭环)。因此,我们的工作看起来是连接这些计算模型,计算神经学所没有的模型从机器人学中取得,但必须完善系统整体的功能。然后试着用机器人再现生物实验。也就是说,监视其中的gridcell和placecell,看看是否像老鼠脑中的细胞一样在特定的位置激发。

然后,YuanMiaolog沿着以前的粗略工作继续前进,论文读了无数,有一天拿着Yuamburak的论文手舞足球,在Contintin上加入了Contintintintintintintintintintintintintintintintintintintintintinting在大脑中的networkMorkModelsofGriGridelofGridCells),这篇论文大概是想象grididididincellll在大脑中的neuralleraralsheralet和gidididinelelele的形状不同。同时,明确了grid整体cell作为路径点的原理。但是,论文有点错误,就是把上帝视角的数据放在自己的视角里计算。说白了,机器人学说的坐标系统的转换有问题。

后续工作包括从Gridcell叠加到placell、联合记忆、重置、方向细胞,采用比较工程的方式,采用了很多神经科学家的推测。工作一共进行了将近一年,代码量很大。的双曲馀弦值。例如,只生成下图结果的代码有数千行。

神经认知机器人项目在唐华锦博士研究组从2010年开始研究。我于2011年6月入职唐华锦博士神经计算组至2015年2月离职,工作近4年。各研究方向实际上被细分,神经认知方向和我们常说的人工智能旨在解决类似的问题,但采用的方法和构想确实有很大差异。