Robotic autonomous behavior selection using episodic memory and attention system
Notice bibliographique
Résumé
Purpose This paper aims to focus on the autonomous behavior selection issue of robotics from the perspective of episodic memory in cognitive neuroscience with biology-inspired attention system. It instructs a robot to follow a sequence of behaviors. This is similar to human travel to a target location by guidance. Design/methodology/approach The episodic memory-driving Markov decision process is proposed to simulate the organization of episodic memory by introducing neuron stimulation mechanism. Based on the learned episodic memory, the robotic global planning method is proposed for efficient behaviors sequence prediction using bottom-up attention. Local behavior planning based on risk function and feasible paths is used for behavior reasoning under imperfect memory. Aiming at the problem of whole target selection under redundant environmental information, a top-down attention servo control method is proposed to effectively detect the target containing multi-parts and distractors which share same features with the target. Findings Based on the proposed method, the robot is able to accumulate experience through memory, and achieve adaptive behavior planning, prediction and reasoning between tasks, environment and threats. Experimental results show that the method can balance the task objectives, select the suitable behavior according to current environment. Originality/value The behavior selection method is integrated with cognitive levels to generate optimal behavioral sequence. The challenges in robotic planning under uncertainty and the issue of target selection under redundant environment are addressed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».