|
 Investigaciones Kismet.
Ongoing research (Investigación en curso). Learning Social Behaviors during
Human-Robot Play (Comportamientos sociales que aprenden durante juego de la
Humano-Robusteza ). Los comportamientos sociales que aprenden durante juego de
la Humano-Robusteza estamos explorando cómo el aprender social situado es
servido explotando los tipos de interacción que se presentan entre un vigilante
de consolidación y un principiante no maduro. Para nosotros, el principiante es
una plataforma robótica antropomorfa. Sus entradas sensoriales primarias
incluyen la visión, la audición, y la rotación del empalme de sus grados de
libertad. Sus salidas incluyen vocalizations, la orientación de la cabeza y del
ojo, y expresiones faciales. La robusteza se diseña para ser un sistema
altricial, similar en alcohol a un infante humano. Es decir, la robusteza
comienza en condiciones algo desamparadas y primitivas, y requiere la ayuda de
un vigilante sofisticado y benévolo aprender y convertirse. La interacción entre
la robusteza del vigilante es puramente social, como cómo una madre obra
recíprocamente con su infante. Las clases de capacidades apuntadas para aprender
son esas habilidades sociales y de la comunicación exhibidas por los infantes
humanos dentro del primer año de la vida.
Este trabajo se dirige la cuestión más grande de cómo construir más sistema que
aprende terminado abierto. Hoy, mucha de la investigación aprender-basada en
robótica se apunta en el entrenamiento de una robusteza para aprender una tarea,
un modelo, una representación, et un cetera específicos. El
investigador decide a menudo a priori qué tarea
debe la robusteza aprender (por ejemplo la navegación alrededor de un ambiente
de la oficina) y después precisó para dirigir la tarea que aprende por
consiguiente. Se termina la tarea que aprende una vez que la robusteza pueda
realizar la tarea a una medida deseada de éxito. Sin embargo, porque el
algoritmo que aprende se adapta cuidadosamente a una tarea específica, un nuevo
algoritmo que aprende se debe diseñar cuidadosamente para que la robusteza
aprenda una diversa tarea. El diseño de los algoritmos que aprenden para las
robustezas es un proceso dependiente de trabajo, y es el probar difícil de
escalar técnicas actuales a tareas más complejas en ambientes más complejos. En
contraste, este trabajo explora cómo diseñar más sistema que aprende terminado
abierto. Con este fin, es inspirado pesadamente por las teorías, las
observaciones, y los resultados experimentales de la psicología de desarrollo
del niño. El corazón de esta investigación es calcular fuera de cómo diseñar un
sistema que aprende integrado tales que el principiante puede atar con correa de
habilidades previamente adquiridas y de estructuras cognoscitivas para aprender
nuevo, más diverso, y habilidades sofisticadas. Los infantes humanos son los
expositores primeros de las clases que aprenden de nosotros quisieran que
nuestro sistema emulara, caracterizado a menudo como teniendo capacidades de
desarrollo del perfil donde habilidades y capacidades anteriores se modifican,
se adaptan, y se construyen progresivamente sobre al producto sofisticado,
diversas, o nuevas capacidades.
Approach Acercamiento
Nuestro acercamiento se diseña para explotar muchos de las mismas señales,
apremios, y diagonales sociales que los infantes humanos tienen acceso a como
aprenden obrar recíprocamente con un caregiver. El comenzar en un estado
relativamente primitivo se puede utilizar a la ventaja al aprender habilidades
tempranas, especialmente cuando el sistema se sitúa dentro de un ambiente que
sea horrendamente complicado. Como con los infantes recién nacidos, los
problemas que aprenden tempranos se simplifican como capacidades perceptivas
iniciales crudas y las habilidades de motor limitadas limitan la complejidad de
la información con la cual el sistema debe repartir y aprender de. Esto da a
infante una ocasión de aprender las habilidades que son comensuradas con su
perceptivo actual, motor, y capacidades cognoscitivas en vez de bombardear al
recién nacido con complejidad mente-que entumece. Además, las ayudas del
vigilante simplifican el problema que aprende para el infante benevolently
dirigiendo el ambiente y la tarea de resolver las capacidades actuales del
infante. Los ejemplos incluyen con los objetos brillantemente coloreados,
dibujando la atención del infante a los factores salientes, asistiendo al
infante en hacer la tarea actual, etcétera.
La interacción entre el principiante y el vigilante forma un proceso mutuamente
de regulación. Usando la regeneración emocional del infante, el caregiver
orquestra el episodio que aprende para satisfacer el nivel actual del
principiante de la sofisticación. Por ejemplo, si sobre-estimulan al
principiante (abrumado también por complejidad ambiental), el vigilante debe
simplificar o aún detenerse brevemente el episodio que aprende. Alternativomente,
si el principiante aparece aburrido, el vigilante introduce un pedacito más
variedad o una poco más dificultad al episodio que aprende. Sobre el curso de
aprender, el principiante construye las estructuras internas para poner
habilidades y capacidades en ejecucio'n más sofisticadas. Consecuentemente, es
capaz de manejar un ambiente levemente más complejo. Por lo tanto, se mantiene
un equilibrio donde desafían a aprender más allá de lo que tiene ya, pero nunca
se abruman totalmente al principiante siempre suficientemente de modo que sea
tenga poca ocasión de aprender cualquier cosa. Mientras que procede el
desarrollo, se aprenden las nuevas metas mientras que se descubren los
resultados interesantes tan bien como diversos medios de alcanzarlos
Challenges Desafíos
Hay muchos asuntos difíciles que se deben tratar por este trabajo. Las dos
ediciones primarias están estableciendo a dinámico de la interacción entre el
principiante y a vigilante naturales, en tiempo real, y están viniendo para
arriba con un sistema apropiado de los mecanismos y del substrato de aprendizaje
con los cuales construir las estructuras internas. Los aspectos perceptivos
solamente son notorio problemas difíciles, y tuvimos que sofisticación
perceptiva de la compensación para el funcionamiento en tiempo real en un
esfuerzo de enfocar esta investigación sobre los aspectos el aprender y de la
interacción del problema (en vez de el sumergirse en la representación visual
compleja y el auditorio que procesan). Cuáles esa compensación será tiene
todavía ser determinado. De una perspectiva más amplia, esta investigación tiene
como objetivo no sólo el intentar construir un sistema que aprende terminado
abierto, sino también construir un sistema que los seres humanos pueden obrar
recíprocamente con y entrenar de una manera natural, instintiva. Los seres
humanos son criaturas altamente sociales y utilizan una variedad de señales y de
modalidades de comunicarse con uno a. Los sistemas del edificio que pueden
explotar y entender señales sociales similares podría hacer las máquinas más
fáciles para que la gente utilice, y permiten a seres humanos comunicarse con
las máquinas de maneras más ricas. [ Equipo
arquitectura y construcción de
ARQHYS.com ].
|
