NeuroCERIL：基于可编程吸引子神经网络分层因果推理的机器人模仿学习
机器人学
2022-11-15 v1 人工智能
摘要
模仿学习使社交机器人能够在不进行大量手动编程的情况下从人类教师处学习新技能，但机器人模仿学习系统难以像人类学习者那样对示范技能进行泛化。当代用于模仿学习的神经计算方法以数据密集型训练为代价实现了有限的泛化，并且常常产生难以理解和调试的不透明模型。在本研究中，我们探讨了开发纯神经控制器用于社交机器人的可行性，这些机器人通过推理示范行为背后的意图来进行模仿。我们提出 NeuroCERIL，一种受大脑启发的神经认知架构，它使用一种新颖的假设演绎推理过程，为示范行为生成可泛化且人类可读的解释。该方法将自底向上的溯因推理与自顶向下的预测验证相结合，并捕捉了与人类因果推理相关且适用于广泛认知领域的重要方面。我们的实证结果表明，NeuroCERIL 可以在模拟的机器人模仿学习领域中学习各种程序性技能。我们还表明，其因果推理过程在计算上是高效的，且其记忆使用主要由高度瞬态的短期记忆主导，类似于人类工作记忆。我们得出结论，NeuroCERIL 是一种类人模仿学习的可行神经模型，可改善人机协作并有助于研究人类认知的神经计算基础。
引用
@article{arxiv.2211.06462,
title = {NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks},
author = {Gregory P. Davis and Garrett E. Katz and Rodolphe J. Gentili and James A. Reggia},
journal= {arXiv preprint arXiv:2211.06462},
year = {2022}
}