Feb, 2022

仿真智能体的可支配性推断和主动运动控制

PDF
TL;DR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。
active inferenceneural network architectureflexible behavioraffordance mapszero-shot generalization
发现论文，激发创造
  • 主动推理作为代理模型

    活动推理是一种规范性贝叶斯框架，能够模拟和建模智能代理行为，同时提供了对探索和利用之间的困境的原则性解决方案。

    Jan, 2024

  • 层次主动推断中的动态规划

    通过动态规划，我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断，为生物有机体的适应提供了基本见解，不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中，许多研究表明，人类和动物行为可以用主动推断的过程来解释，无论是作为离散决策还是连续运动控制，这激发了机器人技术和人工智能领域的创新解决方案。然而，文献对于如何在不断变化的环境中有效规划行动仍缺乏全面的展望。本研究以建模工具使用为目标，深入探讨了主动推断中的动态规划主题，牢记生物目标导向行为的两个关键方面：理解和利用物体操纵的作用机会，以及学习自身与环境（包括其他代理者）之间的分层交互。我们从一个简单单元开始，逐渐描述更高级的结构，比较最近提出的设计选择，并为每个部分提供基本示例。本研究与传统的神经网络和强化学习的观点不同，指向主动推断中尚未开拓的方向：分层模型中的混合表示。

    Feb, 2024

  • 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

  • 主动推理的目标导向规划与目标理解：仿真和实体机器人实验评估

    本研究基于自由能原理，使用变分递归神经网络模型，提出了一种目标导向的行动规划和生成模型，具有静态感知状态和动态运动过程目标的指定和理解，以及根据过去的感知观察推断当前状态的最优估计，为特定目标生成未来行动计划，并在移动代理上进行了实验验证。

    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

  • 知觉和行动的自由能原理：深度学习的视角

    这篇文章探讨了利用深度学习和人工智能设计和实现基于主动推断的人工智能代理，为主动推论框架提供新的视角和实际指南，对于对主动推论新手和想要研究自由能原理实现的深度学习从业者有启发作用。

    Jul, 2022

  • 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

  • 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

  • 主动推断中的高效计算

    该论文提出了一种新的规划算法，通过动态规划算法实现了计算效率的大幅提升，并且简化了目标分布的制定，同时在不确定的条件下获得了准确的模型学习和规划。

    Jul, 2023