Robótica de desenvolvimento

Robótica do desenvolvimento (DevRob), às vezes chamada de robótica epigenética, é um campo científico que visa estudar os mecanismos de desenvolvimento, arquiteturas e restrições que permitem a aprendizagem ao longo da vida de novas habilidades e novos conhecimentos em máquinas incorporadas. Como nas crianças humanas, espera-se que a aprendizagem seja cumulativa e aumente a complexidade, e resulte da auto-exploração do mundo em combinação com a interação social. A abordagem metodológica típica consiste em partir de teorias de desenvolvimento humano e animal elaboradas em campos como psicologia do desenvolvimento, neurociência, biologia evolucionária e evolucionária e lingüística, para depois formalizá-las e implementá-las em robôs, às vezes explorando extensões ou variantes das mesmas. A experimentação desses modelos em robôs permite aos pesquisadores confrontá-los com a realidade e, como conseqüência, a robótica do desenvolvimento também fornece feedback e novas hipóteses sobre as teorias do desenvolvimento humano e animal.

A robótica do desenvolvimento está relacionada, mas difere, da robótica evolutiva (ER). O ER usa populações de robôs que evoluem com o tempo, enquanto o DevRob está interessado em como a organização do sistema de controle de um único robô se desenvolve através da experiência, ao longo do tempo.

O DevRob também está relacionado ao trabalho realizado nos domínios da robótica e da vida artificial.

fundo
Um robô pode aprender como uma criança? Pode aprender uma variedade de novas habilidades e novos conhecimentos não especificados em tempo de design e em um ambiente parcialmente desconhecido e em mudança? Como pode descobrir seu corpo e suas relações com o ambiente físico e social? Como suas capacidades cognitivas podem se desenvolver continuamente sem a intervenção de um engenheiro, uma vez que ele está “fora da fábrica”? O que pode aprender através de interações sociais naturais com humanos? Essas são as questões no centro da robótica do desenvolvimento. Alan Turing, assim como vários outros pioneiros da cibernética, já formularam essas questões e a abordagem geral em 1950, mas foi somente a partir do final do século XX que começaram a ser investigadas sistematicamente.

Como o conceito de máquina inteligente adaptativa é central para a robótica do desenvolvimento, ele tem relações com campos como inteligência artificial, aprendizado de máquina, robótica cognitiva ou neurociência computacional. No entanto, embora possa reutilizar algumas das técnicas elaboradas nesses campos, elas diferem de muitas perspectivas. Difere da inteligência artificial clássica porque não assume a capacidade do raciocínio simbólico avançado e se concentra em habilidades sensório-motoras e sociais incorporadas e situadas, e não em problemas simbólicos abstratos. Ele difere do aprendizado tradicional de máquina porque visa a aprendizagem autodeterminada independente da tarefa, em vez da inferência específica da tarefa, sobre “dados sensoriais editados por humanos alimentados por colher” (Weng et al., 2001). Ela difere da robótica cognitiva porque se concentra nos processos que permitem a formação de capacidades cognitivas, em vez dessas capacidades em si. Difere da neurociência computacional porque se concentra na modelagem funcional de arquiteturas integradas de desenvolvimento e aprendizado. Mais geralmente, a robótica de desenvolvimento é caracterizada unicamente pelos três recursos a seguir:

Destina-se a arquiteturas independentes de tarefas e mecanismos de aprendizagem, ou seja, a máquina / robô tem que ser capaz de aprender novas tarefas que são desconhecidas pelo engenheiro;
Ele enfatiza o desenvolvimento aberto e a aprendizagem ao longo da vida, ou seja, a capacidade de um organismo de adquirir continuamente novas habilidades. Isso não deve ser entendido como uma capacidade de aprender “qualquer coisa” ou mesmo “tudo”, mas apenas que o conjunto de habilidades adquiridas pode ser infinitamente ampliado, pelo menos, em algumas (não todas) direções;
A complexidade do conhecimento e das habilidades adquiridas aumentará (e o aumento será controlado) progressivamente.

A robótica do desenvolvimento emergiu na encruzilhada de várias comunidades de pesquisa, incluindo a inteligência artificial encarnada, os sistemas enativos e dinâmicos, a ciência cognitiva, o conexionismo. Partindo da ideia essencial de que a aprendizagem e o desenvolvimento acontecem como o resultado auto-organizado das interações dinâmicas entre cérebros, corpos e seu ambiente físico e social, e tentando entender como essa auto-organização pode ser aproveitada para proporcionar aprendizagem ao longo da vida independente de tarefas Com habilidades de crescente complexidade, a robótica do desenvolvimento interage fortemente com campos como a psicologia do desenvolvimento, a neurociência cognitiva e do desenvolvimento, a biologia do desenvolvimento (embriologia), a biologia evolutiva e a linguística cognitiva. Como muitas das teorias oriundas dessas ciências são verbais e / ou descritivas, isso implica uma formalização crucial e uma atividade de modelagem computacional na robótica do desenvolvimento. Esses modelos computacionais são usados ​​não apenas como formas de explorar como construir máquinas mais versáteis e adaptativas, mas também como uma forma de avaliar sua coerência e possivelmente explorar explicações alternativas para entender o desenvolvimento biológico.

Direções de pesquisa
Domínios de competências
Devido à abordagem geral e à metodologia, os projetos de robótica de desenvolvimento geralmente se concentram em fazer com que os robôs desenvolvam os mesmos tipos de habilidades que os bebês humanos. Uma primeira categoria que está sendo investigada de maneira importante é a aquisição de habilidades sensório-motoras. Estes incluem a descoberta do próprio corpo, incluindo sua estrutura e dinâmica, como coordenação mão-olho, locomoção e interação com objetos, bem como o uso de ferramentas, com um foco particular na descoberta e no aprendizado das affordances. Uma segunda categoria de habilidades direcionadas por robôs de desenvolvimento são habilidades sociais e lingüísticas: a aquisição de jogos comportamentais sociais simples, como tomada de turnos, interação coordenada, léxicos, sintaxe e gramática, e a fundamentação dessas habilidades lingüísticas em habilidades sensório-motoras como aterramento de símbolo). Paralelamente, está sendo investigada a aquisição de habilidades cognitivas associadas, como o surgimento da distinção self / non-self, o desenvolvimento de capacidades atencionais, de sistemas de categorização e representações de nível superior de affordances ou construções sociais, do surgimento de valores. , empatia ou teorias da mente.

Mecanismos e Restrições
Os espaços sensório-motores e sociais nos quais humanos e robôs vivem são tão grandes e complexos que apenas uma pequena parte das habilidades potencialmente aprendíveis pode realmente ser explorada e aprendida durante a vida. Assim, mecanismos e restrições são necessários para orientar os organismos de desenvolvimento no seu desenvolvimento e controle do crescimento da complexidade. Existem várias famílias importantes destes mecanismos orientadores e restrições que são estudadas na robótica do desenvolvimento, todas inspiradas pelo desenvolvimento humano:

Sistemas motivacionais, gerando sinais internos de recompensa que impulsionam a exploração e a aprendizagem, que podem ser de dois tipos principais:
motivações extrínsecas impulsionam robôs / organismos a manter propriedades internas específicas básicas, como nível de água e alimentos, integridade física ou luz (por exemplo, em sistemas fototrópicos);
Motivos intrínsecos impulsionam o robô a procurar novidade, desafio, compressão ou progresso de aprendizagem per se, gerando o que às vezes é chamado de aprendizagem e exploração orientada pela curiosidade, ou, alternativamente, aprendizado e exploração ativos;
Orientação social: como os humanos aprendem muito interagindo com seus pares, a robótica de desenvolvimento investiga mecanismos que permitem que os robôs participem de uma interação social semelhante à humana. Percebendo e interpretando sinais sociais, isso pode permitir que os robôs aprendam com os humanos (através de diversos meios, como imitação, emulação, estímulo, demonstração, etc.) e desencadear a pedagogia humana natural. Assim, a aceitação social de robôs de desenvolvimento também é investigada;
Preconceitos de inferência estatística e reutilização cumulativa de conhecimento / habilidade: vieses que caracterizam ambas as representações / codificações e mecanismos de inferência podem tipicamente permitir uma melhoria considerável da eficiência da aprendizagem e, portanto, são estudados. Relacionado a isso, mecanismos que permitem inferir novos conhecimentos e adquirir novas habilidades através da reutilização de estruturas previamente aprendidas também são um campo de estudo essencial;
As propriedades da forma de realização, incluindo geometria, materiais, ou primitivas / sinergias motoras inatas codificadas frequentemente como sistemas dinâmicos, podem simplificar consideravelmente a aquisição de habilidades sensório-motoras ou sociais, e são por vezes referidas como computação morfológica. A interação dessas restrições com outras restrições é um importante eixo de investigação;
Restrições maturacionais: Nos bebês humanos, tanto o corpo quanto o sistema neural crescem progressivamente, ao invés de serem já nascidos de pleno direito. Isso implica, por exemplo, que novos graus de liberdade, assim como o aumento do volume e a resolução dos sinais sensório-motores disponíveis, possam aparecer à medida que o aprendizado e o desenvolvimento se desdobram. Transpor esses mecanismos em robôs de desenvolvimento, e entender como isso pode dificultar ou, pelo contrário, facilitar a aquisição de novas habilidades complexas é uma questão central na robótica do desenvolvimento.

Do desenvolvimento biomimético à inspiração funcional.
Enquanto a maioria dos projetos robóticos de desenvolvimento interage fortemente com teorias de desenvolvimento animal e humano, os graus de similaridade e inspiração entre os mecanismos biológicos identificados e suas contrapartes em robôs, bem como os níveis de abstração da modelagem, podem variar muito. Enquanto alguns projetos visam modelar precisamente tanto a função quanto a implementação biológica (modelos neurais ou morfológicos), como em neurorobótica, alguns outros projetos focam apenas na modelagem funcional dos mecanismos e restrições descritos acima e podem, por exemplo, reutilizar em suas arquiteturas técnicas provenientes de campos de matemática aplicada ou engenharia.

Perguntas abertas
Como a robótica do desenvolvimento é um campo de pesquisa relativamente novo e, ao mesmo tempo, muito ambicioso, muitos desafios abertos permanecem por resolver.

Em primeiro lugar, as técnicas existentes estão longe de permitir que robôs de alta dimensão do mundo real aprendam um repertório aberto de habilidades cada vez mais complexas ao longo de um período de tempo de vida. Espaços sensorimotores contínuos de alta dimensão são um grande obstáculo a ser resolvido. Aprendizagem cumulativa ao longo da vida é outra. Na verdade, nenhum experimento que durou mais do que alguns dias foi estabelecido até agora, o que contrasta severamente com o período de tempo necessário para que bebês humanos aprendam habilidades sensório-motoras enquanto estão equipados com cérebros e morfologias tremendamente mais poderosas do que os mecanismos computacionais existentes.

Entre as estratégias a serem exploradas para avançar em direção a essa meta, a interação entre os mecanismos e restrições descritos na seção anterior deve ser investigada de forma mais sistemática. De fato, eles até agora têm sido estudados principalmente isoladamente. Por exemplo, a interação de aprendizagem intrinsecamente motivada e aprendizagem socialmente guiada, possivelmente limitada pela maturação, é uma questão essencial a ser investigada.

Outro desafio importante é permitir que os robôs percebam, interpretem e aproveitem a diversidade de sinais sociais multimodais fornecidos por humanos não engenheiros durante a interação homem-robô. Até o momento, essas capacidades são muito limitadas para permitir o ensino eficiente de propósito geral dos seres humanos.

Uma questão científica fundamental a ser compreendida e resolvida, que se aplica igualmente ao desenvolvimento humano, é como a composicionalidade, hierarquias funcionais, primitivas e modularidade, em todos os níveis das estruturas sensorimotora e social, podem ser formadas e aproveitadas durante o desenvolvimento. Isso está profundamente ligado ao problema do surgimento de símbolos, às vezes chamado de “problema de aterramento de símbolos” quando se trata de aquisição de linguagem. Na verdade, a própria existência e necessidade de símbolos no cérebro é ativamente questionada, e conceitos alternativos, ainda permitindo a composicionalidade e hierarquias funcionais estão sendo investigados.

Durante a epigênese biológica, a morfologia não é fixa, mas se desenvolve em constante interação com o desenvolvimento de habilidades sensório-motoras e sociais. O desenvolvimento da morfologia coloca problemas práticos óbvios com robôs, mas pode ser um mecanismo crucial que deve ser mais explorado, pelo menos na simulação, como na robótica morfogenética.

Outro problema em aberto é a compreensão da relação entre os fenômenos-chave investigados pela robótica do desenvolvimento (por exemplo, sistemas sensório-motores hierárquicos e modulares, motivações intrínsecas / extrínsecas / sociais e aprendizagem aberta) e os mecanismos cerebrais subjacentes.

Da mesma forma, na biologia, os mecanismos de desenvolvimento (operando na escala de tempo ontogenético) interagem fortemente com mecanismos evolutivos (operando na escala de tempo filogenética) como mostrado na florescente literatura científica “evo-devo”. No entanto, a interação desses mecanismos em organismos artificiais, em particular robôs de desenvolvimento, ainda é pouco estudada. A interação de mecanismos evolutivos, desdobramento de morfologias e desenvolvimento de habilidades sensório-motoras e sociais será, portanto, um tópico altamente estimulante para o futuro da robótica do desenvolvimento.