利用人工智能帮助机器人记忆

波士顿红袜队的明星外野手穆基·贝茨在数到3比2时走到本垒板前，研究投手和情况，从三垒获得领先，跟踪球的释放，挥棒，然后在中路打出一垒安打。美联MVP又一次踏上了本垒板。

贝茨的自然反应能力、多年的经验、对投手倾向的了解，以及对各种投球轨迹的理解，都得到了磨练。他所看到的、听到的和感觉到的与他的大脑和肌肉记忆无缝地结合在一起，以确定击球的时间。现在运用贝茨多年经验积累的知识，问问机器人是否能做同样的事情?

答案是否定的，今天不行。

机器人需要使用一个连接系统来缓慢地协调来自传感器的数据和它的马达能力。它的记忆是可怕的。

但是，马里兰大学的研究人员开发的一种方法可能会改变这一切，这种方法使用超维计算理论将感知和运动命令结合起来，可以从根本上改变和改进基本的人工智能(AI)任务，即感觉运动表征——机器人如何将它们的感觉转化为它们的行为。

“用神经形态传感器学习感觉运动控制:朝向超维主动感知”是马里兰大学计算机科学博士生Anton Mitrokhin和Peter Sutor, Jr.撰写的一篇论文;马里兰大学高级计算机研究所的副研究员Cornelia fermller;以及计算机科学教授Yiannis Aloimonos。米特罗辛和苏特由阿洛莫诺斯担任顾问。

整合是关键

集成是机器人领域面临的最重要的挑战。机器人的传感器和驱动它的执行器是独立的系统，通过一个中央学习机制连接在一起，该机制根据传感器数据推断出所需的动作，反之亦然。

这个笨重的由三部分组成的人工智能系统——每一部分都说着自己的语言——是让机器人完成感觉运动任务的一种缓慢方式。机器人技术的下一步将是将机器人的感知能力与其运动能力相结合。这种融合被称为“主动感知”，将为机器人完成任务提供一种更有效、更快的方式。

在新的计算理论中，机器人的操作系统将基于超维二进制向量(HBVs)，它们存在于一个稀疏的、极高维的空间中。hbv可以表示完全不同的离散事物——例如，一个图像、一个概念、一个声音或一条指令;由离散的事物组成的序列;以及离散事物和序列的组合。他们可以用一种有意义的构造方式来解释所有这些类型的信息，将每个模态以等维的1和0的长向量绑定在一起。在这个系统中，动作可能性、感官输入等信息占据同一个空间，用同一种语言，融合在一起，为机器人创造了一种记忆。

超维框架可以将任何“瞬间”序列转化为新的hbv，并将现有hbv组合在一起，所有这些都具有相同的向量长度。这是一种自然的方式来创造语义上有意义和信息丰富的“记忆”。对越来越多的信息进行编码，进而产生“历史”向量和记忆能力。信号变成向量，索引转化为记忆，学习通过聚类发生。

机器人对过去所感知和所做的事情的记忆可能会让它对未来的感知产生预期，并影响它未来的行动。这种主动感知将使机器人变得更加自主，能够更好地完成任务。

知道要寻找什么

“一个积极的感知者知道自己为什么想要感知，然后选择感知什么，并决定如何、何时、何地实现感知，”阿洛莫诺斯说。“它选择并关注场景、时刻和情节。然后，它调整它的机制、传感器和其他组件，以对它想看到的东西采取行动，并选择最好地捕捉它想要的东西的视点。我们的超维度框架可以解决每一个目标。”

马里兰大学这项研究的应用可能远远超出机器人领域。最终目标是能够以一种完全不同的方式来处理人工智能本身:从概念到信号再到语言。超维计算可以为迭代神经网络和深度学习人工智能方法提供一个更快、更有效的替代模型，这些方法目前用于数据挖掘、视觉识别和将图像翻译为文本等计算应用。

“基于神经网络的人工智能方法庞大而缓慢，因为它们无法记忆，”米特罗欣说。“我们的超维理论方法可以创造记忆，这将需要更少的计算，并且应该使这些任务更快、更有效。”

本内容最初出现在ISSSource.com。ISSSource是CFE Media的内容合作伙伴。Chris Vavra编辑，CFE Media制作编辑，cvavra@cfemedia.com。

原创内容可在www.isssource.com。

您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。