认知型机器人技术

认知机器人学或认知技术是机器人学的一个子领域，关注的是通过为机器人提供一个处理架构，使其能够学习和推理如何在复杂的世界中对复杂的目标做出反应，从而赋予机器人智能行为。认知机器人学可以被认为是体现认知科学和体现嵌入式认知的工程分支，由机器人过程自动化、人工智能、机器学习、深度学习、光学字符识别、图像处理、过程挖掘、分析、软件开发和系统集成组成。

虽然传统的认知建模方法假定符号编码方案是描绘世界的一种手段，但将世界转化为这类符号表征已被证明是有问题的，甚至是站不住脚的。因此，感知和行动以及符号表征的概念是认知机器人学中需要解决的核心问题。

认知机器人学将人类或动物的认知视为发展机器人信息处理的出发点，而不是更传统的人工智能技术。目标机器人的认知能力包括感知处理、注意力分配、预测、计划、复杂的运动协调、对其他代理的推理，甚至可能对自己的心理状态进行推理。机器人认知体现了智能代理在物理世界（或虚拟世界，在模拟认知机器人技术的情况下）的行为。最终，机器人必须能够在现实世界中采取行动。

咿呀学语一种被称为咿呀学语的初步机器人学习技术涉及将机器人的伪随机复杂运动与由此产生的视觉和/或听觉反馈联系起来，从而使机器人可能开始期待一种给定的运动输出模式的感官反馈。然后，期望的感觉反馈可被用来通知运动控制信号。这被认为是类似于婴儿如何学习伸手取物或学习说话的声音。对于较简单的机器人系统，例如，反运动学可以用来将预期的反馈（期望的运动结果）转化为运动输出，这一步可以跳过。

一旦机器人能够协调其电机以产生预期的结果，就可以使用模仿学习的技术。机器人监测另一个代理的性能，然后机器人试图模仿该代理。将复杂场景中的模仿信息转化为机器人所需的电机结果，这通常是一个挑战。请注意，模仿是认知行为的一种高级形式，在具身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。通常假设有一个目标和信念的系统。一种更有指导性的探索模式可以通过好奇心算法来实现，如智能自适应好奇心或基于类别的内在动机。这些算法通常涉及将感官输入分成有限的类别，并为每个类别分配某种预测系统（如人工神经网络）。预测系统随着时间的推移跟踪其预测的误差。预测误差的减少被认为是学习。然后，机器人优先探索它学习（或减少预测误差）最快的类别。

认知机器人的一些研究人员已经尝试使用诸如（ACT-R和Soar（认知架构））的架构作为他们认知机器人程序的基础。这些高度模块化的符号处理架构已经被用来模拟操作者的表现和人类在对简单化和符号化的实验室数据进行建模时的表现。我们的想法是扩展这些架构，以处理现实世界的感官输入，因为这些输入在时间上不断展开。我们需要的是一种方法，以某种方式将世界转化为一组符号及其关系。

认知型机器人技术中仍需回答的一些基本问题是。应该或可以有多少人类编程来支持学习过程？如何量化进展？一些被采用的方法是奖励和惩罚。但什么样的奖励和什么样的惩罚？在人类中，例如在教育孩子时，奖励是糖果或一些鼓励，而惩罚可以有多种形式。但对机器人来说，什么是有效的方式呢？胡曼-萨马尼所著的《认知机器人》一书，采用了多学科的方法，涵盖了认知机器人的各个方面，如人工智能、物理、化学、哲学等。