多任务护理机器人可扩展预测处理框架
机器人学
2025-10-30 v1 人工智能
机器学习
神经元与认知
摘要
社会老龄化进程加速，导致对自主护理机器人需求激增；然而，大多数现有系统仅针对特定任务，依赖手工特征预处理，限制了其在多样化情境下的泛化能力。认知神经科学中一种流行理论认为，人类大脑通过层次化预测处理运行，这一机制支撑了灵活的认知与行为，通过整合多模态感知信号实现。以此为灵感，我们引入一种基于预测处理原则（free-energy principle）的层次化多模态循环神经网络，直接整合超过30,000维的视觉-机器人学输入，无需降维。该模型在无任务特定特征工程的情况下学习了两种典型护理任务：刚体 repositioning 与柔软毛巾擦拭。我们展示了三个关键特性：(i) 层次潜在动态的自组织，这些动态调节任务转换、捕捉不确定性变化并推断被遮蔽状态；(ii) 对视觉退化的鲁棒性，通过视觉-机器人学整合实现；(iii) 多任务学习中的非对称干扰——其中，变动性更大的擦拭任务对repositioning影响不大，但学习repositioning任务会轻微削弱擦拭性能，而模型仍保持整体鲁棒性。虽然评估局限于仿真环境，但这些结果确立了预测处理作为通用且可扩展计算原则的潜力，指向具备鲁棒性、灵活性与自主性的护理机器人，同时为人类大脑在不确定真实环境中实现灵活适应提供了理论洞见。
引用
@article{arxiv.2510.25053,
title = {Scalable predictive processing framework for multitask caregiving robots},
author = {Hayato Idei and Tamon Miyake and Tetsuya Ogata and Yuichi Yamashita},
journal= {arXiv preprint arXiv:2510.25053},
year = {2025}
}