机构名称：
¥ 1.0
摘要 - 人工认知体系结构传统上依靠复杂的记忆模型来编码，存储和检索信息。但是，将所有数据从工作记忆（WM）转移到长期内存（LTM）的常规实践导致高度数据量和有效的信息处理和访问的挑战。确定在机器人LTM中保留或丢弃的信息尤其具有挑战性，因为缺乏有关未来数据利用的知识。从人类忘记本文中汲取灵感，并评估只有在遇到新信息时，才能在机器人的LTM中巩固新颖的遗忘技术。所提出的方法结合了在数据传输到机器人LTM期间的快速过滤，而较慢，更精确的遗忘机制，这些机制会定期评估LTM内部的离线数据删除。我们比较了不同的机制，利用指标，例如数据相似性，数据年龄和合并频率。通过比较两个ARMAR机器人在其LTM中搜索过去的对象位置中以情节为中心的自我图像和机器人状态数据中搜索过去对象位置的任务，可以评估忘记技术的功效。实验结果表明，我们的遗忘技术大大降低了机器人LTM的空间要求，同时保持其成功执行依靠LTM信息的任务的能力。值得注意的是，基于相似性的遗忘方法的表现优于基于频率和时间的方法。与使用单个遗忘策略相比，基于在线频率的，基于在线相似性，基于离线相似性和基于时间的衰减方法的组合显示出卓越的性能。
在机器人情节长期记忆中忘记
主要关键词
相关文件推荐
