自主机器人涌现行为的量化

量化那些从任务无关目标函数自主生成的行为，是对算法和动物运动进行客观比较的重要前提。此类行为的时间序列可视为时间序列，因此为时间序列开发的复杂度度量是量化的自然候选。预测信息和超额熵就是这样的复杂度度量。它们度量过去包含关于未来的信息量，从而量化时间序列中的非随机结构。然而，当将这些度量用于具有连续状态的系统时，必须处理其取值依赖于观测系统状态的分辨率这一事实。对于确定性系统，两种度量都随分辨率增高而发散。因此我们提出将超额熵分解为分辨率依赖和分辨率独立部分的新分解，并讨论它们如何依赖于动力学维度、相关性和噪声水平。在实际估计中，我们建议使用基于相关积分的估计，而非使用Kraskov等人(2004)基于近邻统计的算法直接估计互信息，因为后者对尺度依赖的控制较弱。利用我们的算法，我们能够展示自主学习如何随学习时长增加而产生复杂度增长的行为。