Entwicklungsrobotik

Entwicklungsrobotik (DevRob), manchmal auch epigenetische Robotik genannt, ist ein wissenschaftliches Gebiet, das die Entwicklungsmechanismen, -architekturen und -einschränkungen untersucht, die das lebenslange und offene Lernen neuer Fähigkeiten und neuen Wissens in verkörperten Maschinen ermöglichen. Wie bei menschlichen Kindern wird erwartet, dass das Lernen kumulativ ist und zunehmend komplexer wird und aus der Selbsterkundung der Welt in Kombination mit sozialer Interaktion resultiert. Der typische methodologische Ansatz besteht darin, von Theorien der menschlichen und tierischen Entwicklung auszugehen, die in Bereichen wie Entwicklungspsychologie, Neurowissenschaften, Entwicklungs- und Evolutionsbiologie und Linguistik entwickelt wurden, um sie dann zu formalisieren und in Robotern zu implementieren, wobei manchmal Erweiterungen oder Varianten davon erforscht werden. Das Experimentieren dieser Modelle in Robotern ermöglicht es den Forschern, sie mit der Realität zu konfrontieren, und als Folge liefert die Entwicklungsrobotik auch Rückmeldungen und neue Hypothesen zu Theorien der Entwicklung von Mensch und Tier.

Entwicklungsrobotik ist verwandt mit evolutionärer Robotik (ER). ER verwendet Populationen von Robotern, die sich im Laufe der Zeit weiterentwickeln, während DevRob daran interessiert ist, wie sich das Steuerungssystem eines einzelnen Roboters aus Erfahrung im Laufe der Zeit entwickelt.

DevRob bezieht sich auch auf Arbeiten in den Bereichen Robotik und künstliches Leben.

Hintergrund
Kann ein Roboter wie ein Kind lernen? Kann es eine Vielzahl neuer Fähigkeiten und neues Wissen erlernen, die zur Entwurfszeit und in einer teilweise unbekannten und sich verändernden Umgebung nicht näher spezifiziert sind? Wie kann er seinen Körper und seine Beziehungen zum physischen und sozialen Umfeld entdecken? Wie können sich seine kognitiven Fähigkeiten ohne den Eingriff eines Ingenieurs kontinuierlich entwickeln, wenn er „aus der Fabrik“ ist? Was kann es durch natürliche soziale Interaktionen mit Menschen lernen? Dies sind die Fragen, die im Zentrum der Entwicklungsrobotik stehen. Alan Turing sowie eine Reihe anderer Pioniere der Kybernetik formulierten diese Fragen und die allgemeine Herangehensweise bereits 1950, aber erst seit Ende des 20. Jahrhunderts begann man, sie systematisch zu untersuchen.

Da das Konzept der adaptiven intelligenten Maschine für Entwicklungsrobotik von zentraler Bedeutung ist, hat es Beziehungen zu Bereichen wie künstliche Intelligenz, maschinelles Lernen, kognitive Robotik oder Computational Neuroscience. Auch wenn einige der auf diesen Gebieten entwickelten Techniken möglicherweise wiederverwendet werden, unterscheidet sie sich in vielen Perspektiven von ihnen. Sie unterscheidet sich von der klassischen künstlichen Intelligenz, weil sie nicht die Fähigkeit des fortgeschrittenen symbolischen Denkens voraussetzt und sich auf verkörperte und positionierte sensomotorische und soziale Fähigkeiten konzentriert und nicht auf abstrakte symbolische Probleme. Es unterscheidet sich vom traditionellen maschinellen Lernen dadurch, dass es auf das aufgabenunabhängige selbstbestimmte Lernen abzielt und nicht auf die aufgabenbezogene Inferenz über „mit Löffel zugeführte menschliche Sensordaten“ (Weng et al., 2001). Es unterscheidet sich von der kognitiven Robotik dadurch, dass es sich auf die Prozesse konzentriert, die die Bildung kognitiver Fähigkeiten anstelle dieser Fähigkeiten selbst ermöglichen. Es unterscheidet sich von den Computational Neuroscience dadurch, dass es sich auf die funktionale Modellierung integrierter Architekturen von Entwicklung und Lernen konzentriert. Allgemeiner ist die Entwicklungsrobotik durch die folgenden drei Merkmale eindeutig gekennzeichnet:

Es zielt auf aufgabenunabhängige Architekturen und Lernmechanismen ab, dh die Maschine / der Roboter muss in der Lage sein, neue Aufgaben zu erlernen, die dem Ingenieur nicht bekannt sind.
Es betont die offene Entwicklung und das lebenslange Lernen, dh die Fähigkeit eines Organismus, ständig neue Fähigkeiten zu erwerben. Dies sollte nicht als Fähigkeit verstanden werden, „alles“ oder sogar „alles“ zu lernen, sondern lediglich, dass die erworbenen Fähigkeiten zumindest in einigen (nicht allen) Richtungen unendlich erweitert werden können;
Die Komplexität der erworbenen Kenntnisse und Fertigkeiten soll schrittweise zunehmen (und die Zunahme kontrolliert werden).

Entwicklungsrobotik entwickelte sich am Scheideweg mehrerer Forschungsgemeinschaften, darunter künstliche Intelligenz, aktive und dynamische Systeme, kognitive Wissenschaft und Verbindungismus. Ausgehend von der Grundidee, dass Lernen und Entwicklung das selbstorganisierte Ergebnis der dynamischen Interaktionen zwischen Gehirn, Körper und ihrer physischen und sozialen Umgebung sind, und versucht zu verstehen, wie diese Selbstorganisation genutzt werden kann, um ein aufgabenunabhängiges lebenslanges Lernen zu ermöglichen Entwicklungskompetenzen mit zunehmender Komplexität interagieren mit Bereichen wie Entwicklungspsychologie, Entwicklungs- und kognitive Neurowissenschaften, Entwicklungsbiologie (Embryologie), Evolutionsbiologie und kognitive Linguistik. Da viele der Theorien, die aus diesen Wissenschaften stammen, verbal und / oder deskriptiv sind, impliziert dies eine entscheidende Formalisierungs- und Rechenmodellierungsaktivität in der Entwicklungsrobotik. Diese Rechenmodelle werden dann nicht nur als Mittel zur Erforschung vielseitiger und anpassungsfähiger Maschinen verwendet, sondern auch als Möglichkeit, deren Kohärenz zu bewerten und möglicherweise alternative Erklärungen zum Verständnis der biologischen Entwicklung zu finden.

Forschungsrichtungen
Geschicklichkeitsdomänen
Aufgrund des allgemeinen Ansatzes und der Methodik konzentrieren sich Entwicklungsrobotikprojekte in der Regel darauf, dass Roboter die gleichen Fähigkeiten entwickeln wie menschliche Säuglinge. Eine erste Kategorie, die gerade untersucht wird, ist der Erwerb sensomotorischer Fähigkeiten. Dazu gehören die Entdeckung des eigenen Körpers, einschließlich seiner Struktur und Dynamik, wie Hand-Auge-Koordination, Fortbewegung und Interaktion mit Objekten sowie die Verwendung von Werkzeugen, mit besonderem Schwerpunkt auf der Entdeckung und dem Lernen von Angeboten. Eine zweite Kategorie von Fähigkeiten, auf die Entwicklungsroboter abzielen, sind soziale und sprachliche Fähigkeiten: der Erwerb einfacher sozialer Verhaltensspiele, wie Turn Turning, koordinierte Interaktion, Lexika, Syntax und Grammatik, und die Verankerung dieser sprachlichen Fähigkeiten in Sensomotorikfähigkeiten (manchmal auch als „Referenz“ bezeichnet) als Symbol Erdung). Parallel dazu wird der Erwerb der damit verbundenen kognitiven Fähigkeiten untersucht, z. B. die Entstehung der Selbst / Nicht-Selbst-Unterscheidung, die Entwicklung von Aufmerksamkeitsfähigkeiten, Kategorisierungssystemen und Repräsentationen von Erschwinglichkeitsmöglichkeiten oder sozialen Konstrukten auf höherer Ebene, der Entstehung von Werten Empathie oder Theorien des Geistes.

Mechanismen und Einschränkungen
Die sensomotorischen und sozialen Räume, in denen Menschen und Roboter leben, sind so groß und komplex, dass nur ein kleiner Teil der potenziell erlernbaren Fähigkeiten innerhalb eines Lebens erforscht und erlernt werden kann. Daher sind Mechanismen und Einschränkungen notwendig, um Entwicklungsorganismen bei ihrer Entwicklung und Kontrolle des Wachstums von Komplexität zu führen. Es gibt mehrere wichtige Familien dieser Führungsmechanismen und Randbedingungen, die in Entwicklungsrobotik untersucht werden und alle von der menschlichen Entwicklung inspiriert sind:

Motivationssysteme, die interne Belohnungssignale erzeugen, die das Erkunden und Lernen fördern, wobei es sich um zwei Haupttypen handeln kann:
extrinsische Motivationen drängen Roboter / Organismen, um grundlegende spezifische innere Eigenschaften wie Nahrung und Wasserstand, körperliche Unversehrtheit oder Licht (z. B. in phototropen Systemen) aufrechtzuerhalten;
intrinsische Motivationen treiben den Roboter dazu an, nach Neuem, Herausforderung, Komprimierung oder Lernfortschritt per se zu suchen, wodurch das erzeugt wird, was manchmal als neugiergetriebenes Lernen und Erkunden oder alternativ aktives Lernen und Erkunden bezeichnet wird;
Soziale Anleitung: Da Menschen durch Interaktion mit Gleichaltrigen viel lernen, untersucht die Entwicklungsrobotik Mechanismen, die es Robotern ermöglichen, an menschlicher sozialer Interaktion teilzunehmen. Durch das Erkennen und Interpretieren sozialer Hinweise kann es Robotern ermöglicht werden, sowohl vom Menschen zu lernen (durch verschiedene Methoden wie Nachahmung, Nachahmung, Stimulusverstärkung, Demonstration usw.), als auch eine natürliche menschliche Pädagogik auszulösen. So wird auch die gesellschaftliche Akzeptanz von Entwicklungsrobotern untersucht.
Statistische Inferenz-Verzerrungen und kumulative Wiederverwendung von Wissen / Fertigkeiten: Verzerrungen, die sowohl Repräsentationen / Kodierungen als auch Inferenzmechanismen kennzeichnen, können typischerweise eine erhebliche Verbesserung der Lerneffizienz ermöglichen und werden daher untersucht. In diesem Zusammenhang sind Mechanismen, die es ermöglichen, auf neues Wissen zurückzugreifen und neue Fähigkeiten zu erwerben, indem zuvor erlernte Strukturen wiederverwendet werden, ein wesentlicher Forschungsbereich.
Die Eigenschaften der Ausführungsform, einschließlich Geometrie, Materialien oder angeborenen motorischen Grundelementen / Synergien, die häufig als dynamische Systeme kodiert werden, können die Erfassung sensomotorischer oder sozialer Fähigkeiten erheblich vereinfachen und werden manchmal als morphologische Berechnung bezeichnet. Die Wechselwirkung dieser Einschränkungen mit anderen Einschränkungen ist eine wichtige Untersuchungsachse.
Reifungsbeschränkungen: Bei menschlichen Säuglingen wachsen sowohl der Körper als auch das neuronale System progressiv und sind nicht bereits bei der Geburt voll entwickelt. Dies impliziert zum Beispiel, dass neue Freiheitsgrade sowie eine Erhöhung des Volumens und der Auflösung verfügbarer sensomotorischer Signale beim Lernen und Entwickeln auftreten können. Die Umsetzung dieser Mechanismen in Entwicklungsroboter und das Verständnis dafür, wie sie den Erwerb neuartiger komplexer Fähigkeiten behindern oder im Gegenteil erleichtern können, ist eine zentrale Frage in der Entwicklungsrobotik.

Von der biimimetischen Entwicklung zur funktionalen Inspiration.
Während die meisten Entwicklungsrobotik-Projekte stark mit Theorien über die Entwicklung von Tieren und Menschen interagieren, können die Ähnlichkeiten und Inspirationen zwischen den erkannten biologischen Mechanismen und ihrem Gegenstück bei Robotern sowie die Abstraktionsstufen der Modellierung sehr unterschiedlich sein. Während einige Projekte darauf abzielen, sowohl die Funktion als auch die biologische Implementierung (neuronale oder morphologische Modelle) genau zu modellieren, beispielsweise bei Neurorobotik, konzentrieren sich andere Projekte nur auf die funktionale Modellierung der oben beschriebenen Mechanismen und Einschränkungen und können beispielsweise in ihren Architekturtechniken wiederverwendet werden aus der angewandten Mathematik oder Ingenieurwissenschaften.

Offene Fragen
Da Entwicklungsrobotik ein relativ neues Forschungsfeld ist und gleichzeitig sehr ehrgeizig ist, müssen noch viele grundlegende offene Herausforderungen gelöst werden.

Erstens lassen sich vorhandene Techniken weit davon entfernt sein, realen hochdimensionalen Robotern ein offenes Repertoire an immer komplexer werdenden Fähigkeiten über einen Lebenszyklus hinweg zu ermöglichen. Hochdimensionale kontinuierliche sensomotorische Räume sind ein zu lösendes Haupthindernis. Lebenslanges kumulatives Lernen ist eine andere. Tatsächlich wurden bisher keine Experimente durchgeführt, die länger als ein paar Tage dauerten. Dies steht im krassen Gegensatz zu der Zeitspanne, die menschliche Säuglinge benötigen, um grundlegende sensomotorische Fähigkeiten zu erlernen, während sie mit Gehirnen und Morphologien ausgestattet sind, die im Vergleich zu den bestehenden Berechnungsmechanismen enorm leistungsfähiger sind.

Unter den Strategien, die erforscht werden müssen, um dieses Ziel zu erreichen, wird die Interaktion zwischen den im vorherigen Abschnitt beschriebenen Mechanismen und Einschränkungen systematischer untersucht. Tatsächlich wurden sie bisher hauptsächlich isoliert untersucht. Beispielsweise ist das Zusammenspiel von intrinsisch motiviertem Lernen und sozial gesteuertem Lernen, möglicherweise bedingt durch die Reifung, ein wesentlicher zu untersuchender Punkt.

Eine weitere wichtige Herausforderung besteht darin, es Robotern zu ermöglichen, die Vielfalt multimodaler sozialer Signale, die von nicht-technischen Menschen während der Mensch-Roboter-Interaktion bereitgestellt werden, wahrzunehmen, zu interpretieren und zu nutzen. Diese Kapazitäten sind bisher meist zu begrenzt, um effizientes allgemeines Lehren von Menschen zu ermöglichen.

Ein grundlegendes wissenschaftliches Problem, das zu verstehen und zu lösen ist und das gleichermaßen für die menschliche Entwicklung gilt, ist die Art und Weise, wie Kompositionsfähigkeit, Funktionshierarchien, Grundelemente und Modularität auf allen Ebenen sensomotorischer und sozialer Strukturen während der Entwicklung gebildet und genutzt werden können. Dies ist eng mit dem Problem der Entstehung von Symbolen verbunden, das beim Spracherwerb manchmal als „Symbol-Grundproblem“ bezeichnet wird. Tatsächlich wird die Existenz und das Bedürfnis nach Symbolen im Gehirn aktiv hinterfragt, und es werden alternative Konzepte untersucht, die Kompositionalität und funktionelle Hierarchien berücksichtigen.

Während der biologischen Epigenese ist die Morphologie nicht fixiert, sondern entwickelt sich in ständiger Interaktion mit der Entwicklung sensomotorischer und sozialer Fähigkeiten. Die Entwicklung der Morphologie wirft bei Robotern offensichtliche praktische Probleme auf, aber es kann ein entscheidender Mechanismus sein, der zumindest in der Simulation näher untersucht werden sollte, beispielsweise in der morphogenetischen Robotik.

Ein anderes offenes Problem ist das Verständnis der Beziehung zwischen den Schlüsselphänomenen, die von Entwicklungsrobotern (z. B. hierarchischen und modularen sensomotorischen Systemen, intrinsischen / extrinsischen / sozialen Motivationen und offenem Lernen) untersucht werden, und den zugrunde liegenden Gehirnmechanismen.

In ähnlicher Weise interagieren in der Biologie Entwicklungsmechanismen (die auf der ontogenetischen Zeitskala arbeiten) stark mit Evolutionsmechanismen (die auf der phylogenetischen Zeitskala arbeiten), wie in der blühenden wissenschaftlichen Literatur „evo-devo“ gezeigt wird. Die Wechselwirkung dieser Mechanismen in künstlichen Organismen, insbesondere Entwicklungsrobotern, ist jedoch noch weitgehend unklar. Das Zusammenspiel von Evolutionsmechanismen, die Entfaltung von Morphologien und die Entwicklung sensomotorischer und sozialer Fähigkeiten werden daher ein sehr anregendes Thema für die Zukunft der Entwicklungsrobotik sein.