Science Robotics速递:机器学习驱动的机器人身体形态自我发现
关键词:具身智能体,增量学习,身体模式学习,本体感知信息图,互信息
论文题目:Machine learning–driven self-discovery of the robot body morphology 论文期刊:Science Robotics
论文地址:https://www.science.org/doi/10.1126/scirobotics.adh0972
理解一个具身智能体(embodied agent)如何感知其感觉运动系统并学习其形态,是心理学、神经科学以及最近的机器人学中的一个问题。然而,使机器人具备学习身体特性的能力是一个相对局限的研究领域。近日,一篇发表在Science Robotics上的文章提出了一个基于增量学习的机器人身体模式学习框架,用于学习机器人身体拓扑和其运动学描述这两个基本方面。
通常假设机器人的形态已知,并且外部测量设备的数据主要用于其运动学校准。相比之下,该研究采取以智能体为中心的观点,思考一个尚未深入探索的问题:机器人是否能够依赖最少的先验知识,并仅依靠无组织的本体感知信号,自己学习其形态的元素。
为了回答这个问题,该研究提出了一种基于互信息的机器人本体感知信号关系表示方法,称为本体感知信息图(proprioceptive information graphs,π-graphs)。利用感觉运动装置的信息结构依赖于机器人的具体体现这一事实,研究人员使用π-graphs来寻找反映适用于机器人结构的底层运动学一阶原理的成对信号关系。在讨论中,研究人员展示了对π-graphs的分析,从而推断出机器人形态的两个基本元素:机械拓扑和相应的运动学描述,即机器人关节的位置和方向。来自机器人操纵器、六足机器人和人形机器人的结果表明,无论是离线还是在线,分析都可以不受连接和身体构型的限制,有效地从它们的π-graphs中推断出正确的拓扑结构和运动学描述。
研究结果支持通过分析π-graphs,可以从机器人的本体感觉运动信号中学习其身体形态的两个关键方面:拓扑和运动学描述。此外,结果表明,这些信号之间的互信息可以有效地反映机器人的具体化。实验还证实,对于身体结构的发现,基于互信息的图连接推断方法优于其他先进的NTI方法。此外,研究人员还证明,通过运动学本体感知π-graphs子图的连通性,可以提取机器人的身体拓扑,并用于推导微分运动学定律中的正确依赖关系,从而避免在学习运动学描述时进行不必要的测试。结果显示,除了固定底座的情况外,研究者可以不依赖于外感觉(尤其是视觉)此类可选用于估计身体形态的基本方面,仍然能够获得相当准确的形态表示。此外,作者也提到尽管该方法有着令人期待的结果,但某些限制性方面同样值得特别关注。
AI+Science 读书会
点击“阅读原文”,报名读书会