发展型机器人

发展型机器人技术（DevRob），有时也称为表观遗传机器人技术，是一个旨在研究发展机制，架构和约束条件的科学领域，这些机制和体系结构允许终身，开放性地学习嵌入式机器中的新技能和新知识。与人类儿童一样，学习将是累积性的，并且会逐渐增加其复杂性，并且将是世界自我探索与社会互动相结合的结果。典型的方法论方法是从发展心理学、神经科学、开发和进化生物学以及语言学，然后将其形式化并在机器人中实施，有时还探索它们的扩展或变体。在机器人中对这些模型进行的实验使研究人员能够面对现实，因此，发展中的机器人技术还提供了有关人类和动物发展理论的反馈和新颖的假设。

发展型机器人技术与进化型机器人技术（ER）相关但有所不同。ER使用随着时间推移而发展的机器人群体，而DevRob则对单个机器人控制系统的组织如何随着经验的发展而产生兴趣。

DevRob还与机器人技术和人造生活领域的工作有关。

机器人可以像孩子一样学习吗？它可以在设计时以及部分未知且不断变化的环境中学习各种未指定的新技能和新知识吗？它如何发现自己的身体及其与自然和社会环境的关系？一旦“出厂”，其认知能力如何在没有工程师干预的情况下不断发展？通过与人类的自然社会互动可以学到什么？这些是开发机器人技术的核心问题。艾伦·图灵（Alan Turing）以及其他许多控制论的先驱，已经在1950年提出了这些问题和一般方法，但是直到20世纪末才开始对其进行系统地研究。

由于自适应智能机器的概念对于发展型机器人技术至关重要，因此它与人工智能、机器学习、认知机器人技术或计算神经科学等领域具有联系。但是，尽管它可以重用这些领域中阐述的某些技术，但从许多角度来看，它们与它们有所不同。它不同于传统的人工智能，因为它不具备高级符号推理的能力，而是侧重于体现和定位的感觉运动和社交技能，而不是抽象的符号问题。它不同于传统的机器学习，因为它的目标是独立于任务的自主学习，而不是针对“勺子人工编辑的感官数据”进行特定任务的推理。它与认知机器人技术不同，因为它专注于允许认知能力形成的过程，而不是这些能力本身。它与计算神经科学不同，因为它专注于开发和学习的集成架构的功能建模。更一般而言，发展型机器人技术具有以下三个特征，其独特之处在于：

1. 它针对与任务无关的体系结构和学习机制，即机器/机器人必须能够学习工程师未知的新任务。
2. 它强调开放式发展和终身学习，即生物体不断获得新技能的能力。这不应被理解为学习“一切”甚至“一切”的能力，而仅仅是获得的技能至少可以在某些方向上无限扩展。
3. 获得的知识和技能的复杂性应逐渐增加。

发展型机器人技术出现在几个研究社区的十字路口，包括具体化的人工智能，主动和动态系统认知科学、连接主义。从基本的思想开始，即学习和发展是大脑，身体及其物理和社会环境之间动态相互作用的自组织结果，然后尝试了解如何利用这种自组织来提供与任务无关的终身学习随着复杂性的提高，发展型机器人技术与诸如发展心理学，发展和认知神经科学，发展生物学（胚胎学），进化生物学和认知语言学等领域紧密地相互作用。由于来自这些科学的许多理论都是言语和/或描述性的，这意味着开发机器人技术中至关重要的形式化和计算建模活动。这些计算模型不仅被用作探索如何构建更多用途和适应性机器的方式，而且还被用作评估其连贯性并可能探索理解生物学发展的其他解释的方式。

由于通用的方法和方法，发展中的机器人技术项目通常着重于让机器人开发与人类婴儿相同类型的技能。被调查的xxx类重要是感觉运动技能的获得。这些包括发现自己的身体，包括其结构和动力学，例如手眼协调、运动与对象的交互以及工具的使用，尤其着重于发现和学习负担能力。发展型机器人针对的第二类技能是社交和语言技能：获得简单的社交行为游戏，例如转弯、协调互动、词典和语法，以及将这些语言技能转化为感觉运动技能。

人类和机器人生活在其中的感觉运动和社交空间是如此之大和复杂，以致在一生中实际上只能探索和学习一小部分潜在的可学习技能。因此，必须有机制和约束条件来指导发育性生物体的发育和控制复杂性的增长。这些指导机制和约束有几个重要的系列，这些都是在人类发展的启发下在发展型机器人技术中进行研究的：

1. 激励系统，产生内部激励信号，以驱动探索和学习，主要有两种：
   • 外在动机促使机器人/生物保持基本的特定内部特性，例如食物和水的水平，身体的完整性或光照（例如在光变体系中）；
   • 内在动机驱使机器人本身寻找新颖性、挑战性、压力或学习进度，从而产生有时称为好奇心驱动的学习和探索，或主动学习和探索；
2. 社会指导：随着人类通过与同伴的互动学习到很多东西，发展型机器人技术研究了各种机制，这些机制可以使机器人参与类似于人类的社会互动。通过感知和解释社交线索，这可以使机器人既可以从人类那里学习（通过模仿、模仿、刺激、演示等多种方式），又可以触发自然的人类教学法。因此，还研究了发展型机器人的社会接受度。
3. 统计推断偏见和累积的知识/技能重用：表征表示/编码和推断机制的偏见通常可以xxx提高学习效率，因此已得到研究。与此相关的是，通过重用先前学习的结构来允许推断新知识和获得新技能的机制也是必不可少的研究领域；
4. 实施例的性质，包括通常被编码为动力系统的几何形状，材料或固有的运动原语/协同作用，可以显着简化感觉运动或社交技能的获取，并且有时被称为形态计算。这些约束与其他约束的相互作用是研究的重要轴。
5. 成熟的限制：在人类婴儿中，身体和神经系统都逐渐生长，而不是刚出生时就已经成熟。这意味着，例如，随着学习和发展的发展，可能会出现新的自由度，以及可用感觉运动信号的体积和分辨率的增加。在开发型机器人中转换这些机制，并了解其如何阻碍或相反地减轻对新颖复杂技能的掌握，这是开发型机器人技术的中心问题。

尽管大多数发展中的机器人项目与动物和人类发展的理论紧密互动，但已识别的生物机制与其在机器人中的对应机制之间的相似性和启发程度以及建模的抽象水平可能相差很大。虽然某些项目旨在精确建模功能和生物学实现，例如在Neurorobotics中，但其他一些项目仅专注于上述机制和约束的功能建模，并且可能例如在其架构技术中重用来自应用数学或工程领域。