후 발형 로봇이라고도하는 발달 로봇 (DevRob)은 발달 메커니즘, 아키텍처 및 구체화 된 기계에서 새로운 기술과 새로운 지식을 평생 교육 할 수있는 제약 조건을 연구하는 것을 목표로하는 과학 분야입니다. 인간 어린이들과 마찬가지로, 학습은 누적되어 점차적으로 복잡해질 것이며, 사회적 상호 작용과 결합하여 세계를 스스로 탐험함으로써 생길 것으로 기대된다. 전형적인 방법 론적 접근법은 발달 심리학, 신경 과학, 발달 및 진화 생물학, 언어학과 같은 분야에서 정교화 된 인간 및 동물 발달 이론에서 시작하여 로봇에서 형식화하고 구현하며 때로는 그것들의 확장 또는 변형을 탐구하는 것으로 구성됩니다. 로봇에서 이러한 모델을 실험하면 연구자가 현실에 직면 할 수 있으며 결과적으로 발달 로봇은 인간 및 동물 발달 이론에 대한 피드백과 새로운 가설을 제공합니다.

발달 로봇은 진화 로봇 (ER)과 관련이 있지만 다르다. ER은 시간이 지남에 따라 진화하는 로봇의 개체군을 사용하는 반면, DevRob은 시간이 지남에 따라 단일 로봇의 제어 시스템 구성이 어떻게 발전하는지에 관심이 있습니다.

DevRob은 또한 로봇 공학 및 인공 생명 분야에서 수행되는 작업과 관련이 있습니다.

배경
로봇이 아이처럼 배울 수 있습니까? 디자인 타임과 부분적으로 알려지지 않은 변화하는 환경에서 알려지지 않은 다양한 새로운 기술과 새로운 지식을 배울 수 있습니까? 신체 및 사회 환경과의 관계를 어떻게 발견 할 수 있습니까? 일단 그것이 “공장에서 벗어났다”면 엔지니어의 개입없이인지 능력이 어떻게 지속적으로 발전 할 수 있습니까? 인간과의 자연스런 사회적 상호 작용을 통해 무엇을 배울 수 있습니까? 이것은 개발 로봇의 중심에있는 질문입니다. 앨런 튜링 (Alan Turing)은 다른 사이버네틱스 개척자들과 마찬가지로 이미 1950 년에 이러한 질문과 일반적인 접근법을 공식화했지만, 20 세기 말부터 체계적으로 조사되기 시작했습니다.

적응 형 지능형 기계의 개념은 발달 로봇의 핵심이기 때문에 인공 지능, 기계 학습,인지 로봇 또는 계산 신경 과학과 같은 분야와 관계가 있습니다. 그러나이 분야에서 정교한 기술의 일부를 재사용 할 수는 있지만 여러면에서 다르다. 그것은 고전적인 인공 지능과는 달리 진보 된 기호 추론의 능력을 가정하지 않으며 추상 상징적 인 문제보다는 구체화되고 위치를 잡은 감각 운동 및 사회 기술에 초점을 맞추기 때문에 다릅니다. 이는 “스푼으로 인간이 편집 한 센서 데이터”에 대한 작업 별 추론보다는 작업 독립적 인 자기 결정 학습을 목표로하기 때문에 기존 기계 학습과 다릅니다 (Weng et al., 2001). 인지 로봇과 다른 점은 이러한 능력 자체보다는 인식 능력을 형성 할 수있는 프로세스에 초점을 맞추기 때문입니다. 그것은 개발 및 학습의 통합 아키텍처의 기능 모델링에 초점을 맞추기 때문에 계산 신경 과학과는 다릅니다. 보다 일반적으로 개발 로봇은 다음 세 가지 기능을 특징으로합니다.

이는 작업 독립적 아키텍처 및 학습 메커니즘을 목표로합니다. 즉, 기계 / 로봇은 엔지니어가 알지 못하는 새로운 작업을 학습 할 수 있어야합니다.
개방형 개발 및 평생 학습, 즉 생물이 지속적으로 새로운 기술을 습득 할 수있는 역량을 강조합니다. 이것은 “무엇이든”심지어 “모든 것”을 배우는 역량으로 이해되어서는 안되지만, 습득 한 기술은 적어도 일부 (전부는 아님) 방향으로 무한히 확장 될 수 있습니다.
습득 한 지식과 기술의 복잡성은 점진적으로 증가 할 것이다.

발달 로봇은 구현 된 인공 지능, 능동적이고 역동적 인 시스템인지 과학, 연결주의를 비롯한 여러 연구 커뮤니티의 교차점에서 나타났습니다. 학습과 발달은 뇌, 신체, 신체 및 사회 환경 사이의 역동적 인 상호 작용의 자기 조직화 된 결과로서 발생하며, 이러한자가 조직이 어떻게 업무 독립적 인 평생 학습을 제공 할 수 있는지 이해하려는 개발 로봇은 발달 심리학, 발달 및인지 신경 과학, 발달 생물학 (발생학), 진화 생물학 및인지 언어학과 같은 분야와 강력하게 상호 작용합니다. 이러한 과학에서 비롯된 많은 이론들이 언어 적 및 / 또는 서술 적이며, 이는 개발 로봇에서 중요한 공식화 및 전산 모델링 활동을 의미합니다. 이 계산 모델은보다 다양하고 적응력있는 기계를 만드는 방법을 탐색하는 방법으로 사용될뿐만 아니라 일관성을 평가하고 생물학적 발달을 이해할 수있는 대체 설명을 탐색 할 수있는 방법으로도 사용됩니다.

연구 방향
기술 도메인
일반적 접근법과 방법론으로 인해 발달 로봇 프로젝트는 일반적으로 로봇이 인간 유아와 동일한 유형의 기술을 개발하는 데 초점을 맞 춥니 다. 중요한 연구 대상 카테고리는 감각 운동 기술을 습득하는 것입니다. 여기에는 손 – 눈 협응, 이동, 물건과의 상호 작용 및 도구 사용과 같은 구조 및 역 동성을 포함하여 자신의 몸을 발견하는 것이 포함되며, 특히 어음의 발견 및 학습에 중점을 둡니다. 발달 로봇이 목표로 삼는 두 번째 범주의 기술은 사회적 언어 적 기술입니다. : 방향 전환, 조정 된 상호 작용, 어휘집, 구문 및 문법과 같은 단순한 사회적 행동 게임의 습득 및 언어 기술의 감각 기능으로의 접지 기호 접지). 이와 동시에, 자기 / 비 – 자기 구별의 출현, 주의력 능력의 개발, 가치 체계의 출현, 가치의 출현에 대한 자산이나 사회 구조의 고차원 표현과 같은 관련인지 기술의 습득이 조사되고있다 , 공감, 또는 마음의 이론.

메커니즘 및 제약
감각 운동과 인간과 로봇이 사는 사교 공간은 너무 크고 복잡하기 때문에 잠재적으로 학습 가능한 기술의 일부만이 실제로 평생 탐구되고 학습 될 수 있습니다. 따라서 메커니즘과 제약은 발달중인 생물체를 개발하고 복잡성의 증가를 통제하는 데 필요한 지침이된다. 인간 발달에서 영감을받은 발달 로봇에서 연구되는 이러한 유도 메커니즘과 제약에 대한 몇 가지 중요한 제품군이 있습니다.

동기 부여 시스템 : 탐험과 학습을 주도하는 내부 보상 신호를 생성하며, 두 가지 유형이 있습니다.
외부 적 동기는 로봇 / 생물체가 식량과 수위, 물리적 무결성 또는 빛과 같은 기본 특정 내부 특성 (예 : 광도 시스템)을 유지하도록합니다.
내재적 인 동기 부여는 참신, 도전, 압축 또는 학습 진도 그 자체를 찾기 위해 로봇을 밀어 내며, 호기심에 기반한 학습과 탐험, 또는 능동적 인 학습과 탐색이라고 불리는 것을 생성합니다.
사회적 지침 : 인간이 동료와 상호 작용하여 많은 것을 배우기 때문에 발달 로봇은 로봇이 인간과 같은 사회적 상호 작용에 참여할 수 있도록하는 메커니즘을 조사합니다. 사회적 단서를 인식하고 해석함으로써 로봇이 인간으로부터 (모방, 에뮬레이션, 자극 강화, 데모 등 다양한 수단을 통해) 배우고 자연스러운 인간 교육학을 유발할 수 있습니다. 따라서, 발달 로봇에 대한 사회적 수용도 연구되고있다.
통계적 추론 편향 및 누적 지식 / 기술 재사용 : 표현 / 부호화 및 추론 메커니즘 모두를 특성화하는 편향은 일반적으로 학습 효율의 상당한 향상을 허용하여 연구됩니다. 이와 관련하여 이전에 학습 한 구조를 재사용하여 새로운 지식을 추론하고 새로운 기술을 습득 할 수있는 메커니즘도 필수 연구 분야입니다.
지오메트리, 재료, 또는 종종 동적 시스템으로 인코딩 된 선천적 인 모터 프리미티브 / 시너지를 포함하는 실시 예의 특성은 감각 운동 또는 사회 기술의 획득을 상당히 단순화 할 수 있으며, 때로는 형태 학적 계산으로 지칭된다. 이러한 제약 조건과 다른 제약 조건 간의 상호 작용은 중요한 조사의 중심이됩니다.
Maturational constraints : 인간의 영아에서는 신체와 신경 시스템이 이미 출생시에 본격적으로 성장하기보다는 점진적으로 성장합니다. 예를 들어, 학습 및 개발이 진행됨에 따라 새로운 자유도뿐만 아니라 사용 가능한 감각 운동 신호의 양과 해상도가 증가 할 수 있습니다. 이러한 메커니즘을 발달 로봇에 전이시키고 그것이 어떻게 방해를받을 수 있는지 또는 반대로 새로운 복잡한 기술의 획득을 쉽게 이해하는 것이 발달 로봇의 핵심 문제입니다.

생체 모방 개발에서 기능적 영감에 이르기까지.
대부분의 발달 로봇 프로젝트가 동물 및 인간 발달 이론과 강하게 상호 작용하는 반면, 확인 된 생물학적 메커니즘과 로봇의 대응 요소 사이의 유사성 및 영감 정도와 추상화 수준의 모델링은 크게 다를 수 있습니다. 일부 프로젝트는 신경 뼈와 같은 기능 및 생물학적 구현 (신경 또는 형태 모델)을 정확하게 모델링하는 것을 목표로하지만, 일부 다른 프로젝트는 위에 설명 된 메커니즘 및 제약 조건의 기능 모델링에만 초점을 맞추고 예를 들어 아키텍처 기법에서 재사용 할 수 있습니다 응용 수학 또는 공학 분야에서 오는.

공개 질문
발달 로봇은 상대적으로 새로운 연구 분야이며 동시에 매우 야심적이기 때문에 많은 근본적인 도전 과제가 해결되어야합니다.

우선, 기존 기술은 실제 세계의 고 차원 로봇이 평생 동안 점점 더 복잡한 기술의 개방형 레퍼토리를 학습하는 것을 허용하지 않습니다. 고차원 연속 감각 운동 공간은 해결해야 할 주요 장애물입니다. 평생 누적 학습은 또 다른 학습입니다. 사실 며칠 이상 지속되는 실험은 지금까지 설정되지 않았으며 인간의 유아가 기본 감각 기능을 익히는데 필요한 시간과는 대조적으로 현존하는 계산 메커니즘보다 훨씬 강력한 두뇌와 형태를 갖추고 있습니다.

이 목표를 향해 나아 가기 위해 탐구해야 할 전략들 중에서, 이전 절에서 기술 된 메커니즘들과 제약들 간의 상호 작용은보다 체계적으로 조사되어야한다. 실제로, 그들은 지금까지 고립되어 주로 연구되었습니다. 예를 들어, 본질적으로 동기 부여 된 학습과 사회적 유도 학습의 상호 작용은 아마도 성숙에 의해 제한 될 수 있으며, 조사되어야 할 필수적인 문제이다.

또 다른 중요한 과제는 로봇이 인간과 로봇 간의 상호 작용을 통해 엔지니어가 아닌 사람이 제공하는 다양성의 사회적 단서를 인식하고 해석하고 활용할 수있게하는 것입니다. 이러한 능력은 인간에게서 효율적인 범용 교육을 허용하기에는 너무 제한적입니다.

인간 발달에 동등하게 적용되는 이해되고 해결되어야 할 근본적인 과학적 쟁점은 개발 과정에서 감각 운동 및 사회 구조의 모든 수준에서 어떻게 구성 성, 기능적 계층 구조, 기본 요소 및 모듈성이 형성되고 활용되는지입니다. 이것은 기호의 출현 문제와 깊이 관련되어 있으며 언어 습득의 경우 “기호 접지 문제”라고도합니다. 실제로, 두뇌 안에 상징의 바로 그 존재와 필요는 적극적으로 의문의 여지가있다. 그리고 구성 성과 기능적 계층 구조를 여전히 허용하는 대안적인 개념들이 조사되고있다.

생물학적 후 성화 과정에서 형태학은 고정되어 있지 않고 오히려 감각 운동과 사회적 기술의 발전과 끊임없이 상호 작용하여 발달한다. 형태학의 발달은 로봇에 대한 명백한 실용적인 문제를 야기하지만, 형태 발생 로봇과 같이 적어도 시뮬레이션에서는 더 이상 탐구되어야하는 중요한 메커니즘 일 수 있습니다.

또 다른 미해결 문제는 발달 로봇 (예 : 계층 적 및 모듈 식 감각 운동 시스템, 내재적 / 내재적 / 사회적 동기 부여, 개방형 학습) 및 기본 뇌 메커니즘에 의해 조사 된 핵심 현상 간의 관계를 이해하는 것입니다.

유사하게, 생물학에서 발달 기작 (개체 발생 학적 시간 척도에서 작용)은 번성하는 “evo-devo”과학 문헌에 나타난 것처럼 진화 기작 (계통 발생 시간 척도에서 작용)과 강하게 상호 작용한다. 그러나 인공 생명체, 특히 발달 로봇에서 이러한 메커니즘의 상호 작용은 여전히 ​​크게 무시되고있다. 따라서 진화론 적 메커니즘의 전개, 형태학 전개, 감각 운동 및 사회적 기술 개발은 발달 로봇의 미래에 대해 매우 고무적인 주제가 될 것이다.