Kognitive Robotik ist ein Teilgebiet der Robotik, das sich damit befasst, einem Roboter intelligentes Verhalten zu verleihen, indem ihm eine Verarbeitungsarchitektur bereitgestellt wird, die es ihm ermöglicht, zu lernen und darüber zu schlussfolgern, wie er sich als Reaktion auf komplexe Ziele in einer komplexen Welt verhalten soll. Sie kann als der ingenieurwissenschaftliche Zweig der verkörperten Kognitionswissenschaft und der verkörperten eingebetteten Kognition betrachtet werden und umfasst Robotergesteuerte Prozessautomatisierung, künstliche Intelligenz, maschinelles Lernen, Deep Learning, optische Zeichenerkennung, Bildverarbeitung, Prozess-Mining, Analytik, Softwareentwicklung und Systemintegration. Im Gegensatz zu traditionellen Techniken der künstlichen Intelligenz, die oft auf vordefinierten symbolischen Repräsentationen beruhen, betont die kognitive Robotik das Lernen und die Anpassung durch Interaktion mit der physischen oder virtuellen Umgebung.
Kernfragen
Traditionelle Ansätze der kognitiven Modellierung haben symbolische Codierungsschemata als Mittel zur Darstellung der Welt angenommen, aber die Übersetzung der Welt in diese Art von symbolischen Repräsentationen hat sich als problematisch, wenn nicht gar unhaltbar erwiesen. Wahrnehmung und Handlung sowie das Konzept der symbolischen Repräsentation sind daher Kernfragen der kognitiven Robotik. Roboter müssen rohe Sensordaten, wie visuelle oder auditive Eingaben, verarbeiten und in verwertbares Wissen umwandeln, ohne sich auf handcodierte Symbole zu verlassen. Diese Herausforderung ist zentral für die Entwicklung von Architekturen, die in unstrukturierten, dynamischen Umgebungen operieren können.
Ausgangspunkt
Die kognitive Robotik betrachtet die menschliche oder tierische Kognition als Ausgangspunkt für die Entwicklung der robotischen Informationsverarbeitung, im Gegensatz zu eher traditionellen Techniken der künstlichen Intelligenz. Zu den angestrebten robotischen kognitiven Fähigkeiten gehören Wahrnehmungsverarbeitung, Aufmerksamkeitsallokation, Antizipation, Planung, komplexe motorische Koordination, Schlussfolgern über andere Akteure und vielleicht sogar Schlussfolgern über die eigenen mentalen Zustände des Roboters. Roboter-Kognition verkörpert das Verhalten intelligenter Akteure in der physischen Welt (oder einer virtuellen Welt im Falle der simulierten kognitiven Robotik). Letztendlich muss der Roboter in der Lage sein, in der realen Welt zu handeln, was die Integration von Wahrnehmung, Entscheidungsfindung und motorischer Kontrolle in einer kontinuierlichen Schleife erfordert.
Lerntechniken
Motorisches Lallen
Eine vorbereitende Roboter-Lerntechnik, die als motorisches Lallen bezeichnet wird, beinhaltet die Korrelation von pseudozufälligen komplexen motorischen Bewegungen des Roboters mit dem daraus resultierenden visuellen und/oder auditiven Feedback, wodurch der Roboter beginnen kann, ein Muster sensorischen Feedbacks angesichts eines Musters motorischer Ausgabe zu erwarten. Gewünschtes sensorisches Feedback kann dann verwendet werden, um ein motorisches Steuersignal zu informieren. Es wird angenommen, dass dies analog dazu ist, wie ein Baby lernt, nach Objekten zu greifen oder Sprachlaute zu erzeugen. Für einfachere Robotersysteme, bei denen inverse Kinematik möglicherweise verwendet werden kann, um antizipiertes Feedback in motorische Ausgabe umzuwandeln, kann dieser Schritt übersprungen werden.
Nachahmung
Sobald ein Roboter seine Motoren koordinieren kann, um ein gewünschtes Ergebnis zu erzeugen, kann die Technik des Lernens durch Nachahmung verwendet werden. Der Roboter überwacht die Leistung eines anderen Akteurs und versucht dann, diesen Akteur nachzuahmen. Es ist oft eine Herausforderung, Nachahmungsinformationen aus einer komplexen Szene in ein gewünschtes motorisches Ergebnis für den Roboter umzuwandeln. Nachahmung ist eine hochrangige Form kognitiven Verhaltens und ist in einem grundlegenden Modell der verkörperten tierischen Kognition nicht unbedingt erforderlich.
Wissenserwerb
Ein komplexerer Lernansatz ist der autonome Wissenserwerb, bei dem der Roboter die Umgebung eigenständig erkundet, typischerweise unter der Annahme eines Systems von Zielen und Überzeugungen. Eine etwas gezieltere Erkundungsweise kann durch Neugier-Algorithmen erreicht werden, wie z. B. Intelligente Adaptive Neugier oder kategoriebasierte intrinsische Motivation. Diese Algorithmen beinhalten im Allgemeinen die Aufteilung sensorischer Eingaben in eine endliche Anzahl von Kategorien und die Zuordnung eines Vorhersagesystems (wie z. B. eines künstlichen neuronalen Netzes) zu jeder Kategorie. Das Vorhersagesystem verfolgt den Fehler in seinen Vorhersagen über die Zeit; eine Verringerung des Vorhersagefehlers wird als Lernen betrachtet. Der Roboter erkundet dann bevorzugt Kategorien, in denen er am schnellsten lernt.
Andere Architekturen
Einige Forscher in der kognitiven Robotik haben versucht, Architekturen wie ACT-R und Soar als Grundlage für ihre Programme zu verwenden. Diese hochmodularen Symbolverarbeitungsarchitekturen wurden verwendet, um Bedienerleistung und menschliche Leistung bei der Modellierung simplistischer und symbolisierter Labordaten zu simulieren. Die Idee ist, diese Architekturen zu erweitern, um reale sensorische Eingaben zu verarbeiten, die sich kontinuierlich über die Zeit entfalten. Was benötigt wird, ist eine Möglichkeit, die Welt in eine Menge von Symbolen und deren Beziehungen zu übersetzen, was eine offene Herausforderung bleibt.
Siehe auch
- Künstliche Intelligenz
- Intelligenter Akteur
- Kognitive Architektur
- Kognitionswissenschaft
- Kybernetik
- Entwicklungsrobotik
- Verkörperte Kognitionswissenschaft
- Epigenetische Robotik
- Evolutionäre Robotik
- Hybrides intelligentes System
- iCub
- Intelligente Steuerung