Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Когнитивтік робототехника немесе когнитивтік технология – роботқа күрделі әлемдегі күрделі мақсаттарға жауап ретінде қалай әрекет етуді үйренуге және ойлауға мүмкіндік беретін өңдеу архитектурасын ұсыну арқылы интеллектуалды мінез-құлықпен қамтамасыз етумен айналысатын робототехниканың бір саласы. Когнитивтік робототехниканы денеленген когнитивтік ғылым мен денеленген енгізілген когницияның инженериялық саласы деп қарастыруға болады, ол роботтық процестерді автоматтандыру, жасанды интеллект, машиналық оқыту, терең оқыту, оптикалық таңбаларды тану, кескін өңдеу, процестерді талдау, деректерді талдау, бағдарламалық жасақтаманы әзірлеу және жүйелік интеграцияны қамтиды.
Cognitive Robotics or Cognitive Technology is a subfield of robotics concerned with endowing a robot with intelligent behavior by providing it with a processing architecture that will allow it to learn and reason about how to behave in response to complex goals in a complex world. Cognitive robotics may be considered the engineering branch of embodied cognitive science and embodied embedded cognition, consisting of Robotic Process Automation, Artificial Intelligence, Machine Learning, Deep Learning, Optical Character Recognition, Image Processing, Process Mining, Analytics, Software Development and System Integration.
Негізгі мәселелер
Дәстүрлі танымдық модельдеу тәсілдері әлемді бейнелеу үшін символды кодтау схемаларын пайдаланса, осы символдық өрнектерге әлемді аудару қиындықтар туғызып, тіпті мүмкін емес болып көрінеді. Сондықтан, қабылдау, әрекет және символдық өрнектер ұғымы когнитивтік робототехникада шешілуге тиіс негізгі мәселелер болып табылады.
While traditional cognitive modeling approaches have assumed symbolic coding schemes as a means for depicting the world, translating the world into these kinds of symbolic representations has proven to be problematic if not untenable. Perception and action and the notion of symbolic representation are therefore core issues to be addressed in cognitive robotics.
Бастау нүктесі
Когнитивтік робототехника дәстүрлі жасанды интеллект әдістерінен өзгеше, роботтық ақпаратты өңдеуді дамыту үшін адам немесе жануар танымын бастапқы нүкте ретінде қарастырады. Мақсатты роботтық танымдық қабілеттеріне қабылдауды өңдеу, назар бөлу, болжау, жоспарлау, күрделі моторлық координация, басқа агенттер туралы ой-пікір құру және тіпті олардың өз психикалық жағдайлары туралы ойлау кіреді. Роботтық таным физикалық әлемдегі (немесе симуляцияланған когнитивтік робототехника жағдайында – виртуалды әлемдегі) интеллектуалды агенттердің мінез-құлқын көрсетеді. Соңында робот нақты әлемде әрекет ете алуы тиіс.
Cognitive robotics views human or animal cognition as a starting point for the development of robotic information processing, as opposed to more traditional Artificial Intelligence techniques. Target robotic cognitive capabilities include perception processing, attention allocation, anticipation, planning, complex motor coordination, reasoning about other agents and perhaps even about their own mental states. Robotic cognition embodies the behavior of intelligent agents in the physical world (or a virtual world, in the case of simulated cognitive robotics). Ultimately the robot must be able to act in the real world.
Мотордың бабыры
Алдын ала роботты оқыту әдісі – моторлық бабблинг, роботтың нақты кездейсоқ күрделі моторлық қозғалыстарын визуалды және/немесе аудиторлық кері байланыспен байланыстыруды қамтиды, осылайша робот моторлық шығыс үлгісіне сәйкес сенсорлық кері байланыс үлгісін күте бастайды. Көзге көрінетін немесе естілетін қажетті кері байланыс моторды басқару сигналын түзету үшін пайдаланылуы мүмкін. Бұл, сәбидің заттарға жете алуын немесе сөйлеу дыбыстарын үйренуіне ұқсас деп есептеледі. Егер қарапайым робот жүйелерінде кері кинематика қолданылып, күтілетін кері байланыс (қажетті моторлық нәтиже) моторлық шығысқа айналдырыла алатын болса, онда бұл қадамды өткізіп жіберуге болады.
A preliminary robot learning technique called motor babbling involves correlating pseudo random complex motor movements by the robot with resulting visual and/or auditory feedback such that the robot may begin to expect a pattern of sensory feedback given a pattern of motor output. Desired sensory feedback may then be used to inform a motor control signal. This is thought to be analogous to how a baby learns to reach for objects or learns to produce speech sounds. For simpler robot systems, where for instance inverse kinematics may feasibly be used to transform anticipated feedback (desired motor result) into motor output, this step may be skipped.
Еліктеу
Робот өзінің моторларын қажетті нәтижеге жету үшін үйлестіре алғаннан кейін, еліктеу арқылы үйрену әдісі қолданылуы мүмкін. Робот басқа агенттің орындалуын қадағалайды, содан кейін сол агентті еліктеуге тырысады. Көбінесе күрделі жағдайдан алынған еліктеу ақпаратын робот үшін қажетті моторлық нәтижеге түрлендіру қиындық тудырады. Еліктеу – жоғары деңгейдегі когнитивтік мінез-құлық екенін және жануарлардың қарапайым денелі танымдық моделінде еліктеу міндетті түрде қажет емес екенін ескеру қажет.
Once a robot can coordinate its motors to produce a desired result, the technique of learning by imitation may be used. The robot monitors the performance of another agent and then the robot tries to imitate that agent. It is often a challenge to transform imitation information from a complex scene into a desired motor result for the robot. Note that imitation is a high level form of cognitive behavior and imitation is not necessarily required in a basic model of embodied animal cognition.
Білімді игеру
Оқудың күрделі әдісі – "автономды білімді игеру": робот қоршаған ортаны өздігінен зерттейді. Әдетте, мақсаттар мен сенімдер жүйесі қарастырылады. "Қызығушылық" сияқты алгоритмдер, мысалы, Ақылды Бейімделмелі Қызығушылық немесе Санаттарға Негізделген Ішкі Мотивация арқылы зерттеудің сәл бағытталған түріне қол жеткізуге болады. Бұл алгоритмдер көбінесе сенсорлық ақпаратты шектеулі сандағы санаттарға бөлуді және әрқайсысына болжам жасау жүйесін (мысалы, жасанды нейрондық желі) тағайындауды қамтиды. Болжам жасау жүйесі уақыт өте келе болжамдағы қателіктерді бақылайды. Болжам қателігінің төмендеуі – оқу деп есептеледі. Содан кейін робот ең жылдам оқуға (немесе болжам қателігін азайтуға) мүмкіндік беретін санаттарды басымдықпен зерттейді.
A more complex learning approach is "autonomous knowledge acquisition": the robot is left to explore the environment on its own. A system of goals and beliefs is typically assumed. A somewhat more directed mode of exploration can be achieved by "curiosity" algorithms, such as Intelligent Adaptive Curiosity or Category Based Intrinsic Motivation. These algorithms generally involve breaking sensory input into a finite number of categories and assigning some sort of prediction system (such as an Artificial Neural Network) to each. The prediction system keeps track of the error in its predictions over time. Reduction in prediction error is considered learning. The robot then preferentially explores categories in which it is learning (or reducing prediction error) the fastest.
Басқа архитектуралар
Когнитивтік робототехника саласындағы кейбір зерттеушілер өздерінің когнитивтік робототехника бағдарламаларының негізі ретінде (ACT R және Soar (когнитивтік архитектура)) сияқты архитектураларды қолдануға тырысты. Бұл өте модулді символдарды өңдеу архитектуралары оператордың және адамның өнімділігін қарапайым және символдық зертханалық деректерді модельдеу кезінде имитациялау үшін қолданылды. Мақсат – осы архитектураларды кеңейтіп, реалды әлемнен келетін сенсорлық ақпаратты уақыт өте келе үнемі өзгеретін жағдайда өңдеуге бейімдеу. Қажетті нәрсе – әлемді символдар жиынтығы мен олардың арақатынастарына аударудың бір жолын табу.
Some researchers in cognitive robotics have tried using architectures such as (ACT R and Soar (cognitive architecture)) as a basis of their cognitive robotics programs. These highly modular symbol processing architectures have been used to simulate operator performance and human performance when modeling simplistic and symbolized laboratory data. The idea is to extend these architectures to handle real world sensory input as that input continuously unfolds through time. What is needed is a way to somehow translate the world into a set of symbols and their relationships.