机器人的具身神经形态人工智能：观点、挑战与研究发展框架
研究人员提出要加快人工智能领域的发展，必须在神经人工智能的基础研究上投资，其中核心是实体图灵测试，要求人工智能的动物模型实现与其动物同类水平的感知运动交互，这将提供下一代人工智能的发展路线图。
Oct, 2022
我们提出了 “具身人工智能” 作为追求 “人工通用智能” 的下一个基本步骤，并对其与当前人工智能进展，特别是大型语言模型进行对比。我们横跨哲学、心理学、神经科学和机器人技术等多个领域探讨了具身概念的演变，以突显具身人工智能如何与静态学习的经典范式有所区别。通过拓宽具身人工智能的范围，我们提出了一个基于认知架构的理论框架，强调感知、行动、记忆和学习作为具身代理的重要组成部分。该框架与弗里斯顿的主动推理原则相一致，为具身人工智能的发展提供了一个全面的方法。尽管人工智能领域取得了进展，但仍存在诸多挑战，如制定新的人工智能学习理论和创新先进硬件等。我们的讨论为未来的具身人工智能研究提供了基础性的指导方针。强调创造具身人工智能代理能够与人类和其他智能体在真实环境中实现无缝通信、协作和共存的重要性，我们旨在引导人工智能社群应对多方面挑战，并抓住在追求人工通用智能过程中出现的机遇。
Feb, 2024
利用神经形态学处理器，通过对事件数据进行卷积脉冲神经网络处理、将神经激活解码为规避动作、并使用动态运动基元调整路径规划，我们开发了一种神经形态学方法来进行具有摄像头的机械手的避障。通过模拟和实际世界实验，我们的神经形态学方法在可靠避免即将发生的碰撞方面表现出色，并且能够适应轨迹调整而对安全和可预测性标准的影响较小，这些结果为引入 SNN 学习、利用神经形态学处理器以及进一步探索神经形态学方法的潜力提供了动力。
Apr, 2024
基于混合信号神经形态硬件实现的模型基于强化学习（MBRL）利用脉冲神经网络（SNNs）的硬件实现方法，通过在线学习（“清醒” 阶段）和离线学习（“梦境” 阶段）的交替，兼具混合信号神经形态芯片的能耗优势和高样本效率，通过由真实和模拟经验组成的代理网络和生成模拟经验的学习世界模型网络两个互补网络的模型验证，成功训练硬件实现来玩 Atari 游戏 Pong，相比基础线索的代理网络学习，加入梦境大大减少了所需真实游戏经验的数量，并且这些结果为能耗高效的神经形态学习系统在真实世界的应用和用例中的快速学习铺平了道路。
May, 2024
人形机器人通过结合隐私、安全和访问控制约束与任务规划方法，从分析它们的权衡中得出混合方法的必要性，并提出了神经符号人工智能新的应用案例。
Dec, 2023
本文探讨了在与人类进行自然语言对话或直接语音交流的过程中，将对话系统的研究置于综合智慧的广阔背景之中，从而引入来自神经生物学和神经心理学的概念，以定义能够调和手工设计和人工神经网络的行为架构，并为模仿或指导式学习等未来新的学习方法开启新的可能性。并且，本文介绍了一种神经行为引擎，通过使用图形化语言基于手工模型创建混合主动对话和动作生成。通过在半公共空间上运行的虚拟接待员应用程序，描述了这种类脑启发架构的可用性示范。
Jun, 2024
利用脉冲神经网络 (SNN) 成功应用于四肢机器人，通过在多种模拟地形中实现优异的结果，SNN 在推理速度和能耗上具备自然优势，并且它们对于身体感知信号的脉冲形式处理提供了改进的生物相关性，据我们所知，这是首次在四肢机器人中实现 SNN 的工作。
Oct, 2023
智能算法在神经设备上的整合对于各种脑部疾病具有重要机遇。在本文中，我们回顾了在可植入或可穿戴设备上嵌入信号处理的三类智能神经假体的最新进展，包括：1）用于闭环症状追踪和响应性刺激的神经接口；2）用于新兴网络相关疾病如精神疾患的神经接口；以及 3）用于瘫痪后运动恢复的智能脑 - 机接口片上系统（BMI SoCs）。
May, 2024
通过第一次完全使用神经形态学视觉控制系统来自由控制飞行的实验，研究使用事件处理相机数据和脉冲神经网络实现无人驾驶和智能飞行机器人等基础任务的关键技术。
Mar, 2023