سیستمهای تقلید و آینه در روباتها از طریق شبکههای ترکیبی عمیق مدالیت
| عنوان | سیستمهای تقلید و آینه در روباتها از طریق شبکههای ترکیبی عمیق مدالیت |
|---|---|
| نویسنده | Seker، M. Y.، Ahmetoglu، A.، Nagai، Y.، Asada، M.، Oztop، Erhan، Ugur، E. |
| تاریخ انتشار: | 2022-02 |
| محل انتشار | - الزویر |
| موضوع | یادگیری تقلیدی، یادگیری چندوجهی، یادگیری بازنمایی، یادگیری رباتی |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 0893-6080 |
| شماره ثبت | 95fa5539-cf63-44e2-95a8-e777c32628d8 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2022-02 |
| یادداشتها | افق 2020 اتحادیه اروپا؛ آژانس علم و فناوری ژاپن، ژاپن CREST "Cognitive Mirroring" ; برنامه ارتقای تحقیقات مشترک بین المللی دانشگاه اوزاکا، ژاپن تحت پروژه "مدل سازی واقعی و بیولوژیکی توسعه ای و بیولوژیکی درک کنش تغییر ناپذیر چشم انداز"؛ اداره استراتژی و بودجه ترکیه زیر نظر TAM |
| متن نمونه | یادگیری تعامل با محیط نه تنها عامل را با قابلیت دستکاری توانمند می کند، بلکه اطلاعاتی را برای تسهیل ساختن درک کنش و قابلیت های تقلید تولید می کند. به نظر می رسد این یک استراتژی است که توسط سیستم های بیولوژیکی، به ویژه نخستی ها اتخاذ شده است، همانطور که با وجود نورون های آینه ای که به نظر می رسد در درک کنش چندوجهی دخیل هستند، مشهود است. چگونگی بهره مندی از تجربه تعامل روبات ها برای درک اقدامات و اهداف دیگر عوامل هنوز یک سوال چالش برانگیز است. در این مطالعه، ما یک روش جدید، شبکههای ترکیبی مدالیته عمیق (DMBN) را پیشنهاد میکنیم که با ترکیب سیگنالهای چند وجهی با مکانیزم وزندهی تصادفی، فضای پنهان مشترکی را از تجربه چند وجهی یک ربات ایجاد میکند. ما برای اولین بار نشان میدهیم که یادگیری عمیق، هنگامی که با یک طرح ترکیبی جدید ترکیب میشود، میتواند تشخیص کنش را تسهیل کند و ساختارهایی برای حفظ قابلیتهای تقلید آناتومیکی و مبتنی بر اثر ایجاد کند. سیستم پیشنهادی ما، که مبتنی بر فرآیندهای عصبی شرطی است، میتواند بر روی هر مقدار حسی/حرکتی دلخواه در هر مرحله زمانی مشروط شود و میتواند یک مسیر کامل چندوجهی منطبق با شرطیسازی مورد نظر را در یک شات با پرسجویی از شبکه برای تمام نقاط زمانی نمونهبرداری شده به صورت موازی ایجاد کند و از تجمع خطاهای پیشبینی جلوگیری کند. بر اساس آزمایشهای شبیهسازی با یک ربات بازوگیر و یک دوربین RGB، ما نشان دادیم که DMBN میتواند پیشبینیهای دقیقی در مورد هر مدالیتی از دست رفته (دوربین یا زوایای مشترک) انجام دهد، با توجه به موارد موجود که از مدلهای رمزگذار خودکار متغیر چندوجهی اخیر از نظر پیشبینیهای مسیر با ابعاد بالا در افق بلند عملکرد بهتری دارند. ما همچنین نشان دادیم که با توجه به تصاویر دلخواه از منظرهای مختلف، یعنی تصاویر تولید شده توسط مشاهده رباتهای دیگر که در طرفهای مختلف میز قرار گرفتهاند، سیستم ما میتواند تصاویر و توالیهای زاویه مفصلی را تولید کند که با رفتار تقلیدی آناتومیک یا مبتنی بر اثر مطابقت دارد. برای دستیابی به این رفتار آینهمانند، سیستم ما تطبیق الگوی مبتنی بر پیکسل را انجام نمیدهد، بلکه از فضای پنهان مشترک ساخته شده با استفاده از روشهای مشترک و تصویر، همانطور که توسط آزمایشهای اضافی نشان داده شده است، بهره میبرد و به آن متکی است. علاوه بر این، ما نشان دادیم که یادگیری آینه ای (در سیستم ما) تنها به تجربه بصری بستگی ندارد و بدون تجربه حس عمقی قابل دستیابی نیست. آزمایشهای ما نشان داد که از ده سناریو آموزشی با پیکربندیهای اولیه متفاوت، مدل DMBN پیشنهادی میتواند در تمام مواردی که مدلی که فقط از اطلاعات بصری استفاده میکند در نیمی از آنها شکست خورده، به یادگیری آینهای دست یابد. به طور کلی، معماری DMBN پیشنهادی نه تنها به عنوان یک مدل محاسباتی برای حفظ قابلیتهای نورونمانند آینهای عمل میکند، بلکه بهعنوان یک معماری یادگیری ماشین قدرتمند برای دادههای زمانی چندوجهی با ابعاد بالا با قابلیتهای بازیابی قوی که با اطلاعات جزئی در یک یا چند حالت عمل میکند، قرار میگیرد. |
| DOI | 10.1016/j.neunet.2021.11.004 |
| Cilt | 146 |
