事件预测行为基元的自主识别与目标导向调用

人类的自主行为似乎由微小的、基本的构建块或行为基元组成。尽管这种模块化组织对于复杂运动技能的学习以及行为对新环境的灵活适应似乎至关重要，但从感知运动经验中学习有意义的、组合性的抽象表征这一问题仍是一项开放挑战。在此，我们引入一种计算学习架构，称为基于惊奇的行为模块化为事件预测结构（SUBMODES），它从头开始探索行为并识别潜在的行为单元。SUBMODES 架构利用自组织神经控制器引导感知运动探索。在探索自身身体的行为能力时，系统学习预测感知运动动力学并生成相关行为的模块化结构。与近期的事件感知理论一致，系统使用意外的预测误差信号即惊奇来检测连续行为基元之间的转换。我们表明，当应用于两个具有完全不同身体运动学的机器人系统时，该系统成功学习了多种复杂且真实的行为基元。此外，在初始自我探索之后，系统可越来越有效地利用其学到的预测模型，在不同任务与环境中调用模型预测规划与目标导向控制。