面向大规模多智能体人机协作学习的开放可扩展认知 AI 架构
机器人学
2021-03-30 v2 人工智能
人机交互
机器学习
摘要
示范学习（LfD）是构建高效认知机器人系统最稳健的方法之一。尽管已有大量研究工作，当前关键技术挑战包括多智能体学习与长期自主性。朝此方向，本文引入一种用于多智能体 LfD 机器人学习的新型认知架构，旨在实现开放、可扩展且可扩充机器人系统在大规模复杂环境中的可靠部署。具体而言，所设计架构利用人工智能（AI）领域的最新进展，通过建立基于联邦学习（FL）的框架来体现多人类多机器人协作学习环境。基本概念依赖于采用多个 AI 赋能的认知过程（实现各类机器人任务）运行于机器人平台网络的边缘节点，而全局 AI 模型（支撑上述机器人任务）通过网络集体创建与共享，优雅地结合来自大量人机交互实例的信息。关于关键新颖性，所设计认知架构 a) 引入新的基于 FL 的形式化，将常规 LfD 学习范式扩展至支持大规模多智能体运行设置，b) 细化先前基于 FL 的自学习机器人方案以将人纳入学习回路，c) 将 FL 基本原理与额外复杂 AI 赋能学习方法结合以建模机器人任务间多级相互依赖。所提框架的适用性通过一项面向基于敏捷生产的关建原材料（CRM）回收的真实工业案例研究予以说明。
引用
@article{arxiv.2012.08174,
title = {Towards open and expandable cognitive AI architectures for large-scale multi-agent human-robot collaborative learning},
author = {Georgios Th. Papadopoulos and Margherita Antona and Constantine Stephanidis},
journal= {arXiv preprint arXiv:2012.08174},
year = {2021}
}