Sep, 2019

基于主动推理的机器人手臂新型自适应控制器

PDF
TL;DR本文提出了一种新型的主动推理控制器 (AIC)，它是一种适用于工业机器人的自适应控制方案，能够应对大型模型不确定性，同时还能在大型未建模动态的情况下保持高性能。该方法基于主动推理，从控制角度推导出的模型无关的控制定律，能够比目前最先进的模型参考自适应控制器 (MRAC) 更好地适应性，提供了一种更为通用的控制定律，这证实了主动推理对机器人控制的相关性。
active inference controlleradaptive controlindustrial robotsunmodeled dynamicsneuroscientific theory
发现论文，激发创造
  • 面向人形机器人的积极推断身体感知和动作

    通过在仿生系统中应用主动推理身体感知和行为模型，能够在机器人上实现适应性身体感知和动作，并分析该方法适用于现实世界的交互。

    Jun, 2019

  • 用深度主动推理技术实现自主机器人导航

    本文介绍了活跃推理的理论，并利用深度学习的最新进展，构建能够处理高维传感器数据并进行主动推理的复杂生成模型，这是深度主动推理在真实世界机器人导航任务中的首次应用。

    Mar, 2020

  • 并行和相同机器的主动推断会议节能控制

    本研究探讨了将主动推理应用于制造系统的节能控制代理的可能性，在这个新兴领域中，我们使用深度学习和主动推理决策框架相结合的方法，通过引入多步转换和混合视野方法来改进现有的代理架构。实验结果表明这些改进的有效性，并展示了基于主动推理的方法的潜力。

    Jun, 2024

  • 机器人中神经科学启发的感知行为：应用主动推理进行状态估计，控制和自我感知

    通过神经科学发现，活性推理是提升机器人算法在适应性、鲁棒性、灵活性、基础理解、安全交互等方面的潜在解决方案，通过模拟实际机器人平台的研究实验，揭示了机器人感知上的挑战和限制。

    May, 2021

  • 使用 Monte-Carlo 方法的深度主动推理代理

    本文提出了一种建立在深度学习结构之上的主动推理智能体的神经架构，并使用多种形式的蒙特卡罗（MC）采样方法，从而使智能体在利用奖励进行任务时能够更加有效地学习环境动态和模拟未来状态转换。

    Jun, 2020

  • 在线巴累托最优决策中的主动推理

    本研究旨在引入一种新颖的多目标强化学习框架，确保任务的安全执行，优化目标之间的权衡，并符合用户的偏好。该框架包含两个主要层次：多目标任务规划器和高层选择器。通过案例研究和基准测试，证明了我们的框架在操作和移动机器人方面优于其他方法，并且能够学习多个最优权衡解决方案，符合用户的偏好，并允许用户调整优化权衡的平衡。

    Jun, 2024

  • 计划学习：在基于模型的规划中用于主动学习的新算法

    通过比较 Sophisticated Inference（SI）算法和贝叶斯强化学习（RL）方案的性能，并扩展 Sophisticated Inference（SL）算法以更好地在规划中引入主动学习，本研究支持 Active Inference 方法在解决生物相关问题中的实用性，并提供了测试人类认知假设的额外工具。

    Aug, 2023

  • 仿真智能体的可支配性推断和主动运动控制

    基于自由能最小化原则的主动推理理论，提出了一个输出 - 概率、时间预测、模块化人工神经网络结构，能够处理感觉运动信息，推理与行为相关的世界方面，并调用高度灵活、目标导向的行为，其中包括利用形成的地形图灵活驾驶、避免障碍和选择通往目的地的路径。另外，研究表明该学习代理适用于进行零样本推广，适用于不同地形的环境。

    Feb, 2022

  • 感知运动学习的神经主动推断模型

    本研究通过系统性探索视觉 - 运动任务的一种方法，测试了主动推理框架的能力，该框架基于当代的神经科学，并通过基于奖励的学习产生像人类一样的行为。我们提出的神经主动推理代理模型使用人工神经网络来选择动作，以便根据它们将揭示的任务环境信息的非常短期预测和预期自由能的长期估计来选择动作，在代理人的运动能力受限时才出现预期的行为，并且只有当代理人能够足够长时间地预测未来的累积自由能时，预期行为才会出现，通过这些结果证明了 AIF 作为人类预期视觉引导行为的可信模型。

    Nov, 2022

  • 主动推理的扩展

    本研究通过在高维任务上实施主动推理，证明了该方法的可行性，并展现了主动推理与强模型无关基线的样本效率的数量级提升和操作同质性。

    Nov, 2019