机构名称：
¥ 1.0
深度学习在视觉感知，语音识别，自然语言处理和多模式模型等领域取得了巨大的成功，这激发了人们对自主机器人技术革命进步的希望。但是，现实世界中的机器人应用提出了独特的挑战，包括许多可变性来源，高维状态和动作空间，非线性依赖性以及部分遵守性。关键挑战是机器人及其环境的非平稳性，当训练的模型遇到分布外数据时，这会导致性能问题。不像当前的机器学习模型一样，人类有效地适应变化并迅速学习新任务，这是人类思想的认知建筑的能力。这包括利用组合性的系统概括，使人通过重新组合已知组件来理解和操纵新的对象和任务。人的大脑同时采用习惯和受控的处理，并通过系统1和更复杂的，更复杂的，有意识的方式以有意识的方式管理的快速，常规动作来处理系统2 [1] [1]，[2]（图1）。尽管能力有限，System 2仍可以灵活地解决问题和自我监控。要实现人类般的学习和推理，机器人必须整合因果模型，工作记忆，计划和元认知处理。我主张一种自下而上的方法，通过扩展高成功的系统1处理而无需更改工具，将意识启发的认知功能集成到服务机器人中。我的我设想开发学习感知和计划的方法，使机器人能够处理新颖的情况和自我监测。这可以通过三个特定的研究目标来实现：（i）通过快速，惯常的处理，从原始感觉数据中创建机器人工作空间的结构化表示，以及为这些表示形式学习预测模型以管理常规技能。（ii）通过为工作记忆选择几个元素，学习抽象的预测以及基于推出和搜索的计划操作来确定有意识的预测和计划。（iii）实施有意识的自我监控，以评估对在需要时收集信息并避免危险的预测和学习政策的信心。直观的沉浸式远程敏感系统可以实时运输到偏远地区。
迈向有意识的服务机器人
主要关键词
相关文件推荐
