具身智能体动作序列的感知交换性

人工智能体的感知是 AI 研究的重大挑战之一。深度学习和数据驱动方法在可用监督学习感知的受限问题上取得成功，但无法扩展到开放世界。在此情形下，对于配备第一人称传感器的自主具身智能体，感知可端到端学习以解决特定任务。然而，文献表明感知并非纯粹的被动压缩机制，动作在抽象表征的形成中起着重要作用。我们建议在群论的数学形式下研究这些具身智能体的感知，以建立感知与动作之间的联系。特别地，我们考虑连续动作序列相对于此类具身智能体所感知的感官信息的交换性质。我们引入感官交换性概率（SCP）准则，用于度量智能体的自由度在具身场景中对环境的影响程度。我们展示了如何在不同环境中计算该准则，包括真实机器人设置。我们通过实证说明 SCP 与动作序列的交换性质如何用于了解环境中的物体并提高强化学习中的样本效率。