发展型机器人学

发展型机器人学（DevRob），有时也被称为表观遗传机器人学，是一个科学领域，旨在研究发展机制、架构和制约因素，这些因素允许在具身机器中终身和无限制地学习新技能和新知识。

与人类儿童一样，学习预计是累积性的，并具有逐渐增加的复杂性，而且是与社会互动相结合的自我探索世界的结果。

典型的方法论包括从发展心理学、神经科学、发展和进化生物学以及语言学等领域阐述的人类和动物发展理论出发，然后将其正式化并在机器人中实现，有时还探索其扩展或变体。

这些模型在机器人中的实验使研究人员能够面对现实，因此，发育机器人学也为人类和动物的发育理论提供反馈和新的假设。

发展型机器人学与进化型机器人学（ER）相关，但又有区别。ER使用随时间演变的机器人种群，而DevRob对单个机器人的控制系统的组织如何通过经验、随时间发展感兴趣。DevRob也与机器人学和人工生命领域的工作有关。

这些都是处于发展型机器人技术中心的问题：

机器人能像孩子一样学习吗？

它能在设计时和部分未知和变化的环境中学习各种新技能和新知识吗？

它如何发现自己的身体以及它与物理和社会环境的关系？

一旦它离开工厂，在没有工程师干预的情况下，它的认知能力如何能持续发展？

它能通过与人类的自然社会互动学到什么？

阿兰-图灵以及其他一些控制论的先驱者在1950年就已经提出了这些问题和一般方法，但只是从20世纪末开始才开始系统地研究这些问题。

由于适应性智能机器的概念是发展型机器人学的核心，它与人工智能、机器学习、认知机器人学或计算神经科学等领域有关系。

然而，虽然它可能会重复使用这些领域的一些技术，但从许多角度来看，它与这些领域不同。

它与经典的人工智能不同，因为它并不假设高级符号推理的能力，而是专注于具象的和情景化的感觉运动和社会技能，而不是抽象的符号问题。

它与认知机器人学不同，因为它关注的是允许形成认知能力的过程，而不是这些能力本身。它与计算神经科学不同，因为它侧重于发展和学习的综合架构的功能建模。

更广泛地说，发展型机器人学具有以下三个独特的特点。

它的目标是与任务无关的架构和学习机制，即机器/机器人必须能够学习工程师未知的新任务；

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。

这不应该被理解为学习任何东西的能力，甚至是"一切"的能力，而只是获得的技能集至少可以在某些（不是所有）方向上无限扩展；获得的知识和技能的复杂性应逐步增加（并且增加是可控的）。

发展型机器人学出现在几个研究团体的十字路口，包括具身人工智能、能动和动态系统认知科学、连接主义。从学习和发展是大脑、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这一基本思想出发，并试图理解如何利用这种自组织来提供与任务无关的、日益复杂的技能的终身学习。

发展型机器人学与发展心理学、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进行了密切互动。

由于来自这些科学的许多理论都是口头的和/或描述性的，这意味着在发展机器人学中的一个关键的形式化和计算建模活动。

然后，这些计算模型不仅被用作探索如何建立更多的功能和适应性机器的方法，而且还被用作评估其一致性的方法，并可能探索理解生物发展的其他解释。