Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Dynamic Neural Curiosity Enhances Learning Flexibility for Autonomous Goal Discovery

Created by
  • Haebom

作者

Quentin Houbre, Roel Pieters

概要

本論文は,ロボットの自律的目標学習という複雑な問題に対する好奇心が学習の柔軟性に与える影響をモデル化する新しいアプローチを提示した。 Locus Coeruleus-Norepinephrineシステムと認知持続性、視覚的習慣化などの様々な認知過程にインスピレーションを得て好奇心と注意を統合するモデルを提案する。モーターバブリングとリターン抑制メカニズムを介してトップダウン注意で新しい目標を発見し、好奇心メカニズムで発生する神経活動に基づいて目標学習を実行します。動的ニューロンを使用してモデルを構築し、多層パーセプトロンで実装された順方向モデルと逆方向モデルを介してさまざまな方向にオブジェクトをプッシュするなどの目標学習をサポートします。動的神経場を用いて好奇心、習慣化、持続性をモデリングすることで、物体に応じた様々な学習経路を示し、同様の目標学習と探索と活用の間の継続的な転換という興味深い特徴を見せる。シミュレートされたロボットアームを使用して、さまざまな難易度のオブジェクトの集合に対する実験を通してアプローチを適用します。

Takeaways、Limitations

•
Takeaways：
◦
好奇心と注意を統合する新しいロボット学習モデルを提示します。
◦
ダイナミックニューロンを利用して、様々な学習経路と探索-活用変換を実現。
◦
Locus Coeruleus-Norepinephrineシステムからインスピレーションを得た生物学的に妥当なアプローチ
◦
シミュレーション実験によるモデルの有効性検証
•
Limitations：
◦
現在はシミュレーション環境でのみ検証されており、実際のロボット環境への拡張が必要。
◦
さまざまな種類の目標とタスクの一般化パフォーマンス評価が必要です。
◦
モデルの複雑さによる解釈の難しさ
◦
好奇心メカニズムの正確なモデリングに関するさらなる研究の必要性
👍
Made with Slashpage