本文介绍了自由能原理在大脑科学中的应用,结合视知觉、机器学习以及统计热力学等领域的理论,提供了一种生物学上可行的自由能实现方案的数学评估及其物理结构,旨在揭示自由能原理实现方案对大脑科学的重要性。
May, 2017
本文提出了一种名为 “Embodied Visual Recognition” 的任务,其中代理可以在三维环境中移动以对被遮挡的目标物体进行识别、定位和分割,研究结果表明,具有移动能力的代理比被动代理的视觉识别性能更好,代理可以学习不同于最短路径的策略移动路径来提高视觉识别能力。
Apr, 2019
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
本文是关于自由能原理的计算模型和机器学习中的应用尝试,提出了使用经典的神经网络模型 Helmholtz 机连接自由能原理和机器学习,并通过实验验证了假设。
Jun, 2023
本文研究了具体化视觉主动学习任务,该任务通过选择性的视野请求注释来探索三维环境,以获取场景理解,我们通过开发一系列智能体来研究具体化视觉主动学习,其中智能体配备语义分割网络,并使用深度强化学习以及奖励函数平衡任务性能和必要注释数据请求,得到了可靠的结果。
Dec, 2020
本文提出了一种感知框架,通过融合视觉和触觉反馈来预测动态场景中物体的运动,该框架利用一种新型的 STS 传感器来捕捉物体的视觉外观和触觉特性,利用多模态 VAE 将两种模态结合起来,可以推断未来物理交互的结果。
Jan, 2021
介绍了自由能原理与活动推断关键思想,并利用基于代理的模型进行模拟实验,以进一步探讨其在一维离散世界预测中的应用。
Mar, 2015
该研究提出了一种计算感知模型,基于预测处理,能够使任何多感官机器人通过使用任意具有高斯加性噪声的传感器来学习、推断和更新其身体配置,从而实现自我校准和安全的人机物理交互。
May, 2018
为了解决在实际环境中开发视觉感知模型和感觉运动控制的困难和现有算法过慢,本文提出基于虚拟现实的 Gibson Virtual Environment,包含 1400 个真实环境,其中 572 个完整的建筑,其特点是可以提供真实环境的语义复杂性,并具有内部合成机制和代理的具身化机制使其遵守物理和空间的约束。
Aug, 2018
本文提出,生成模型可以(而且应该)被用来描述与行为相关的感觉运动关系,而不是世界的精确账户,这与贝叶斯大脑假设、预测处理和变分自由能最小化相关。