أنظمة التقليد والمرآة في الروبوتات من خلال شبكات مزج الطريقة العميقة
| العنوان | أنظمة التقليد والمرآة في الروبوتات من خلال شبكات مزج الطريقة العميقة |
|---|---|
| المؤلف | سيكر، م. ي.، أحمد أوغلو، أ.، ناجاي، ي.، أسادا، م.، أوزتوب، إرهان، أوغور، إي. |
| تاريخ النشر: | 2022-02 |
| مكان النشر | - إلسفير |
| الموضوع | التعلم بالتقليد، التعلم متعدد الوسائط، التعلم التمثيلي، تعلم الروبوت |
| النوع | دورية |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 0893-6080 |
| رقم السجل | 95fa5539-cf63-44e2-95a8-e777c32628d8 |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2022-02 |
| ملاحظات | وأفق الاتحاد الأوروبي 2020؛ الوكالة اليابانية للعلوم والتكنولوجيا، اليابان CREST "الانعكاس المعرفي"؛ البرنامج الدولي المشترك لتعزيز البحوث بجامعة أوساكا، اليابان في إطار مشروع "النمذجة الواقعية التنموية والبيولوجية لفهم العمل الثابت المنظوري"؛ المديرية التركية للاستراتيجية والميزانية التابعة لـ TAM |
| نص عينة | إن تعلم التفاعل مع البيئة لا يمكّن الوكيل من القدرة على التلاعب فحسب، بل يولد أيضًا معلومات لتسهيل بناء فهم العمل وقدرات التقليد. ويبدو أن هذه استراتيجية تتبناها الأنظمة البيولوجية، وخاصة الرئيسيات، كما يتضح من وجود الخلايا العصبية المرآة التي يبدو أنها تشارك في فهم العمل متعدد الوسائط. لا تزال كيفية الاستفادة من تجربة التفاعل للروبوتات لتمكين فهم إجراءات وأهداف العملاء الآخرين مسألة صعبة. في هذه الدراسة، نقترح طريقة جديدة، وهي شبكات مزج الوسائط العميقة (DMBN)، التي تخلق مساحة كامنة مشتركة من تجربة متعددة الوسائط للروبوت عن طريق مزج الإشارات متعددة الوسائط مع آلية الترجيح العشوائية. نظهر لأول مرة أن التعلم العميق، عند دمجه مع مخطط مزج طريقة جديدة، يمكن أن يسهل التعرف على الفعل وينتج هياكل للحفاظ على قدرات التقليد التشريحية والقائمة على التأثير. يمكن لنظامنا المقترح، الذي يعتمد على العمليات العصبية الشرطية، أن يكون مشروطًا بأي قيمة حسية/حركية مرغوبة في أي خطوة زمنية، ويمكنه إنشاء مسار كامل متعدد الوسائط يتوافق مع التكييف المطلوب في طلقة واحدة عن طريق الاستعلام عن الشبكة لجميع النقاط الزمنية التي تم أخذ عينات منها بالتوازي مع تجنب تراكم أخطاء التنبؤ. استنادًا إلى تجارب المحاكاة باستخدام روبوت ذو قابض ذراع وكاميرا RGB، أظهرنا أن DMBN يمكنه إجراء تنبؤات دقيقة حول أي طريقة مفقودة (الكاميرا أو زوايا المفصل) نظرًا للنماذج المتاحة التي تتفوق على نماذج التشفير التلقائي المتغير متعدد الوسائط الحديثة من حيث تنبؤات المسار طويل الأفق وعالي الأبعاد. لقد أظهرنا كذلك أنه بالنظر إلى الصور المرغوبة من وجهات نظر مختلفة، أي الصور الناتجة عن مراقبة الروبوتات الأخرى الموضوعة على جوانب مختلفة من الجدول، يمكن لنظامنا إنشاء تسلسلات للصور وزاوية مشتركة تتوافق إما مع سلوك التقليد التشريحي أو القائم على التأثير. لتحقيق هذا السلوك الشبيه بالمرآة، لا يقوم نظامنا بإجراء مطابقة قالب قائم على البكسل ولكنه يستفيد من المساحة الكامنة المشتركة التي تم إنشاؤها باستخدام كل من طرائق المفصل والصورة ويعتمد عليها، كما هو موضح من خلال تجارب إضافية. علاوة على ذلك، أظهرنا أن التعلم بالمرآة (في نظامنا) لا يعتمد فقط على الخبرة البصرية ولا يمكن تحقيقه بدون خبرة التحسس العميق. أظهرت تجاربنا أنه من بين عشرة سيناريوهات تدريب ذات تكوينات أولية مختلفة، يمكن لنموذج DMBN المقترح تحقيق التعلم المرآة في جميع الحالات التي فشل فيها النموذج الذي يستخدم المعلومات المرئية فقط في نصفها. بشكل عام، لا تعمل بنية DMBN المقترحة كنموذج حسابي للحفاظ على القدرات المشابهة للخلايا العصبية المرآتية فحسب، ولكنها تمثل أيضًا بنية قوية للتعلم الآلي للبيانات الزمنية متعددة الوسائط عالية الأبعاد مع قدرات استرجاع قوية تعمل بمعلومات جزئية في طريقة واحدة أو طرق متعددة. |
| DOI | 10.1016/j.neunet.2021.11.004 |
| Cilt | 146 |
