神经联想技能记忆用于更安全的机器人技术及建模人类感知运动库

现代机器人面临与人类相同的挑战，需要学习多个感知运动技能并以灵活方式表达它们。为机器人提供人类对多种典型运动感受的记忆，可使机器人更能意识到正常运行状态，从而帮助开发更安全的机器人。联想技能记忆（ASMs）旨在通过将运动原语与感知反馈关联来实现这一目标，但现有实现依赖于硬编码的技能库。一个关键未解决的问题是如何让单个神经网络学习一套技能，同时实现故障检测和情境感知执行。本文引入神经联想技能记忆（ASMs），一种利用自监督预测编码进行时间预测以统一技能学习与表达的框架，采用生物学上可行的学习规则。与传统ASMs需要显式技能选择不同，神经ASMs通过情境推断隐式识别和表达技能，在无显式技能选择机制的情况下实现对所学行为的故障检测。相对于通过时间反向传播训练的循环神经网络，我们的模型在技能记忆表达方面实现了相当的质量性能，同时使用局部学习规则，预测了在技能记忆表达期间出现的生物学相关的速度-精度权衡。这一工作推动了神经机器人学领域的发展，展示了预测编码原理如何建模自适应机器人控制和人类运动准备。通过将故障检测、反应控制、技能记忆和表达统一到单个能量基架中，神经ASMs为更安全的机器人技术提供了可能，并为研究生物感知学习提供了计算视角。