論文の概要: Neural Associative Skill Memories for safer robotics and modelling human sensorimotor repertoires

• arxiv url: http://arxiv.org/abs/2505.09760v1
• Date: Wed, 14 May 2025 19:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-18 16:36:57.408894
• Title: Neural Associative Skill Memories for safer robotics and modelling human sensorimotor repertoires
• Title（参考訳）: より安全なロボティクスとヒト感覚運動器レパートリーのモデル化のための神経関連スキル記憶
• Authors: Pranav Mahajan, Mufeng Tang, T. Ed Li, Ioannis Havoutis, Ben Seymour,
• Abstract要約: 連想スキル記憶 (Associative Skill Memories, ASM) は、運動プリミティブを感覚フィードバックに結びつけることを目的としているが、既存の実装は個々のスキルのハードコードライブラリに依存している。 本稿では、時間的予測のために自己教師付き予測符号化を利用するフレームワークであるNeural Associative Skill Memories(ASMs)を紹介する。 明示的なスキル選択を必要とする従来のASMとは異なり、Neural ASMは文脈推論を通じて暗黙的にスキルを認識し、表現する。
• 参考スコア（独自算出の注目度）: 8.047222674695288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern robots face challenges shared by humans, where machines must learn multiple sensorimotor skills and express them adaptively. Equipping robots with a human-like memory of how it feels to do multiple stereotypical movements can make robots more aware of normal operational states and help develop self-preserving safer robots. Associative Skill Memories (ASMs) aim to address this by linking movement primitives to sensory feedback, but existing implementations rely on hard-coded libraries of individual skills. A key unresolved problem is how a single neural network can learn a repertoire of skills while enabling fault detection and context-aware execution. Here we introduce Neural Associative Skill Memories (ASMs), a framework that utilises self-supervised predictive coding for temporal prediction to unify skill learning and expression, using biologically plausible learning rules. Unlike traditional ASMs which require explicit skill selection, Neural ASMs implicitly recognize and express skills through contextual inference, enabling fault detection across learned behaviours without an explicit skill selection mechanism. Compared to recurrent neural networks trained via backpropagation through time, our model achieves comparable qualitative performance in skill memory expression while using local learning rules and predicts a biologically relevant speed-accuracy trade-off during skill memory expression. This work advances the field of neurorobotics by demonstrating how predictive coding principles can model adaptive robot control and human motor preparation. By unifying fault detection, reactive control, skill memorisation and expression into a single energy-based architecture, Neural ASMs contribute to safer robotics and provide a computational lens to study biological sensorimotor learning.
• Abstract（参考訳）: 現代のロボットは人間が共有する課題に直面しており、機械は複数の感覚士のスキルを学び、それらを適応的に表現しなければならない。 複数のステレオタイプの動きを人間のように記憶することで、ロボットは通常の動作状態をよりよく認識し、より安全な自己保存ロボットの開発を支援することができる。 ASM(Associative Skill Memories)は、運動プリミティブを感覚フィードバックにリンクすることでこの問題に対処することを目的としているが、既存の実装は個々のスキルのハードコードライブラリに依存している。 重要な未解決の問題は、単一ニューラルネットワークが障害検出とコンテキスト認識の実行を可能にしながら、スキルのレパートリーを学ぶ方法である。 本稿では, 時間的予測のための自己教師付き予測符号化を利用して, 生物学的に妥当な学習規則を用いて, スキル学習と表現を統一するフレームワークであるNeural Associative Skill Memories(ASMs)を紹介する。 明示的なスキル選択を必要とする従来のASMとは異なり、Neural ASMはコンテキスト推論を通じて、暗黙的にスキルを認識し、表現し、明示的なスキル選択メカニズムなしで学習行動全体で障害検出を可能にする。 時間によるバックプロパゲーションによってトレーニングされたリカレントニューラルネットワークと比較して,我々のモデルは,局所学習規則を用いて,スキルメモリ表現において同等の質的性能を達成し,スキルメモリ表現中に生物学的に関連する速度精度のトレードオフを予測する。 この研究は、適応型ロボット制御とヒト運動準備を予測的符号化原理がいかにモデル化できるかを示すことによって、神経ロボティクスの分野を前進させる。 障害検出、反応性制御、スキル記憶、表現を単一のエネルギーベースアーキテクチャに統一することにより、Neural ASMはより安全なロボティクスに寄与し、生物学的感性学習を研究するための計算レンズを提供する。

関連論文リスト

• Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [58.58177409853298]
  大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。 この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。 本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:05:34Z)
• Towards Conscious Service Robots [21.66931637743555]
  現実世界のロボティクスは、可変性、高次元状態空間、非線形依存、部分観測可能性といった課題に直面している。 現在の機械学習モデルとは異なり、人間は体系的な一般化とメタ認知を可能にする認知アーキテクチャのために、変化や新しいタスクに素早く適応する。 次世代のサービスロボットは、新しい状況に対処し、リスクを避け、エラーを軽減するために自分自身を監視する。
  論文  参考訳（メタデータ） (2025-01-25T12:32:52Z)
• Imperative Learning: A Self-supervised Neuro-Symbolic Learning Framework for Robot Autonomy [31.818923556912495]
  我々は,ロボット自律のための自己教師型ニューロシンボリック(NeSy)計算フレームワーク,インペラティブラーニング(IL)を導入する。 ILを2段階最適化(BLO)として定式化し、3つのモジュール間の相互学習を可能にする。 ILはロボットの自律性を大幅に向上させ、多様な領域にわたるさらなる研究を促進することを期待している。
  論文  参考訳（メタデータ） (2024-06-23T12:02:17Z)
• Unlock Reliable Skill Inference for Quadruped Adaptive Behavior by Skill Graph [26.861541495975686]
  本稿では,ロボットの基本スキルの集合を組織化するための新しいフレームワークとして,ロボットスキルグラフ(RSG)を提案する。 RSGはKGの静的知識ではなく、巨大な動的行動スキルで構成されている。 我々は,RSGが新たなタスクや環境に対して,信頼性の高いスキル推論を提供できることを示す。
  論文  参考訳（メタデータ） (2023-11-10T11:59:41Z)
• Human-oriented Representation Learning for Robotic Manipulation [64.59499047836637]
  人間は本質的に、操作作業において環境を効率的に探索し、相互作用することを可能にする、一般化可能な視覚表現を持っている。 我々は、このアイデアを、事前訓練された視覚エンコーダの上に、人間指向のマルチタスク微調整のレンズを通してフォーマル化する。 我々のタスクフュージョンデコーダは、下流操作ポリシー学習のための最先端の3つのビジュアルエンコーダの表現を一貫して改善する。
  論文  参考訳（メタデータ） (2023-10-04T17:59:38Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks [2.0646127669654826]
  本稿では,脳にインスパイアされた神経認知アーキテクチャであるNeuroCERILについて紹介する。 シミュレーションされたロボット模倣学習領域において,NeuroCERILは様々な手続き的スキルを習得できることを示す。 我々は、NeuroCERILは人間のような模倣学習の実行可能な神経モデルであると結論付けた。
  論文  参考訳（メタデータ） (2022-11-11T19:56:11Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。