认知机器人技术

认知机器人技术致力于通过为机器人提供处理体系结构来赋予其智能行为，该处理体系结构将使其能够学习并推理出如何响应复杂世界中的复杂目标而做出的行为。认知机器人技术可以被视为体现认知科学和体现嵌入式认知的工程分支。

尽管传统的认知建模方法已将符号编码方案作为描述世界的一种手段，但事实证明，即使不是站不住脚的世界，将世界转换为此类符号表示也存在问题。因此，感知和行动以及符号表示的概念是认知机器人技术要解决的核心问题。

与更传统的人工智能技术相反，认知机器人技术将动物认知视为机器人信息处理发展的起点。目标机器人的认知能力包括感知处理、注意力分配、预期、计划、复杂的运动协调，对其他行为者甚至可能对自己的心理状态的推理。机器人认知体现了智能主体在物理世界（或在模拟认知机器人的情况下为虚拟世界）中的行为。最终，机器人必须能够在现实世界中行动。

一种被称为电动机呀作响的初步机器人学习技术涉及将机器人的伪随机复杂电动机运动与所产生的视觉和/或听觉反馈相关联，从而在给定电动机输出模式的情况下，机器人可以开始期望感觉反馈模式。然后可以将所需的感觉反馈用于通知电动机控制信号。人们认为这类似于婴儿如何学会伸手去拿物体或学会产生语音。对于更简单的机器人系统，例如可以使用反向运动学将预期的反馈（期望的电动机结果）转换为电动机输出，则可以跳过此步骤。

一旦机器人可以协调其电动机以产生期望的结果，就可以使用通过模仿学习的技术。机器人xxx另一个代理的性能，然后机器人尝试模仿该代理。将模仿信息从复杂的场景转换成机器人所需的运动结果通常是一个挑战。请注意，模仿是认知行为的高级形式，在体现动物认知的基本模型中不一定需要模仿。

一种更复杂的学习方法是“自主知识获取 ”：让机器人自己去探索环境。通常采用目标和信念系统。

通过“好奇心”算法，例如智能自适应好奇心或基于类别的内在动机，可以实现某种更具针对性的探索模式。这些算法通常涉及将感觉输入分为有限数量的类别，并为每种类别分配某种预测系统。预测系统会随着时间的推移跟踪其预测中的错误。减少预测误差被认为是学习。然后，机器人会优先探索最快学习（或减少预测错误）的类别。

认知机器人技术的一些研究人员已尝试使用诸如ACT-R和Soar（认知体系结构）之类的架构作为其认知机器人程序的基础。这些高度模块化的符号处理体系结构已用于在对简单和符号化的实验室数据进行建模时模拟操作员的绩效和人员绩效。想法是扩展这些体系结构，以处理现实世界中的感觉输入，因为这些输入会随着时间的推移不断展开。所需要的是一种以某种方式将世界转化为一组符号及其关系的方法。

认知机器人技术中仍需回答的一些基本问题是：

• 应该或可以涉及多少个人程序来支持学习过程
• 如何量化进度？所采用的一些方法是奖惩。但是什么样的奖励和什么样的惩罚呢？在人类中，例如，当教孩子时，奖励将是糖果或某种鼓励，而惩罚可采取多种形式。但是机器人的有效方法是什么？

Hooman Samani 撰写的《认知机器人学》采用多学科方法，涵盖了认知机器人学的各个方面，例如人工智能、物理、化学、哲学、心理、社会、文化和伦理学方面。