如何培养机器人 —— 限制任务规划中神经符号人工智能的案例研究
近期机器学习模型的进展使得机器人能够在感知非符号化级别上识别物体 (例如,通过传感器融合和自然语言理解)。然而,这些主要的黑盒学习模型仍然缺乏解释性和可转移性,需要大量数据和计算需求。一种替代方案是通过混合神经符号学习方法和专家反馈 (即人在循环学习) 来教授机器人感知非符号化和概念符号化两个级别。本研究提出了这种以用户为中心的混合学习范式的概念,重点关注外科机器人手术情境。虽然最近的研究主要关注非机器人和一些通用机器人领域的混合学习,但鲜有研究专注于外科机器人。我们调查了相关研究,同时着重人在循环外科机器人系统。这项评估强调了自主外科机器人的最突出解决方案,以及外科医生在与这些系统交互时面临的挑战。最后,我们构想了通过来自专家外科医生的隐式和显式反馈进行在线学徒式学习来解决这些挑战的可能途径。
Jul, 2023
该研究基于情境评估,提出了一种新颖的解决方案,可以在人机团队合作中帮助机器人预测和模拟人类决策,并通过沟通协调达到信念一致,提高问题解决效率和鲁棒性。
Oct, 2022
神经符号人工智能(AI)是一个新兴而快速发展的领域,它结合了(深度)神经网络的子符号优势和知识图中的显式符号知识,以提高 AI 系统的可解释性和安全性。该方法解决了当前生成系统的一个关键批评,即其无法生成人类可理解的解释并确保安全行为,尤其在具有未知未知事物的情况下(例如,网络安全和隐私)。神经网络和符号知识图的集成使得 AI 系统能够以专家可理解的方式进行推理、学习和概括,该文章描述了在网络安全和隐私领域应用神经符号 AI 的益处。
Jul, 2023
本文介绍了一种通过虚拟现实人类任务演示自动生成可执行机器人控制程序的系统,利用常识知识和基于游戏引擎的物理,以及自动路径规划和代码生成,实现了具有表现力和通用性的任务表示,在强力抓取和放置机器人购物助手的场景中进行了演示。
Jun, 2023
本文介绍了一种神经符号 (混合) 组合推理模型,以将语言引导的视觉推理与机器人操作相结合。该模型通过使用共享的原始技能库以任务非特定的方式处理所有情况。通过语言解析器将输入查询映射为由这些原语组成的可执行程序取决于上下文。结果表明,该方法达到了非常高的准确性,同时可以进行少量的视觉微调,从而实现了真实场景的可转移性。
Oct, 2022
这篇论文调查了在图结构上执行神经符号推理任务的广泛方法,并提出了一个新的分类法来比较这些方法,包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外,还提供了一个表格概述这些方法。
Feb, 2023
本文通过进行文献调查,以三个构成神经符号强化学习的组件为重点(神经网络、符号和强化学习),将研究作品进行分类,并分析其强化学习部分的组成。同时,发现了该领域中的研究机会和挑战。
Sep, 2023
本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合,通过 20 年来的相关研究结果,为下一个 AI 系统的关键性成分做出探索,以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。
Dec, 2020