論文の概要: Curiosity-Driven Co-Development of Action and Language in Robots Through Self-Exploration

• arxiv url: http://arxiv.org/abs/2510.05013v1
• Date: Mon, 06 Oct 2025 16:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.995452
• Title: Curiosity-Driven Co-Development of Action and Language in Robots Through Self-Exploration
• Title（参考訳）: 自己探索によるロボットの行動と言語の共同開発
• Authors: Theodore Jerome Tinker, Kenji Doya, Jun Tani,
• Abstract要約: ヒトの幼児は言語と行動を共同開発し、最小限の学習例から顕著な一般化能力を達成する。 本研究では,ロボットが命令文に対応するさまざまな動作を学習するシミュレーション実験を通じて,この問題に対処する。 提案手法は,能動推論フレームワークと強化学習を統合し,好奇心駆動型発達学習を可能にする。
• 参考スコア（独自算出の注目度）: 2.3286064629178593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human infants acquire language and action co-developmentally, achieving remarkable generalization capabilities from only a minimal number of learning examples. In contrast, recent large language models require exposure to billions of training tokens to achieve such generalization. What mechanisms underlie such efficient developmental learning in humans? This study addresses this question through simulation experiments in which robots learn to perform various actions corresponding to imperative sentences (e.g., \textit{push red cube}) via trials of self-guided exploration. Our approach integrates the active inference framework with reinforcement learning, enabling curiosity-driven developmental learning. The simulations yielded several nontrivial findings: i) Curiosity-driven exploration combined with motor noise substantially outperforms learning without curiosity. ii) Simpler, prerequisite-like actions emerge earlier in development, while more complex actions involving these prerequisites develop later. iii) Rote pairing of sentences and actions occurs before the emergence of compositional generalization. iv) Generalization is drastically improved as the number of compositional elements increases. These results shed light into possible mechanisms underlying efficient co-developmental learning in infants and provide computational parallels to findings in developmental psychology.
• Abstract（参考訳）: ヒトの幼児は言語と行動を共同開発し、最小限の学習例から顕著な一般化能力を達成する。 対照的に、最近の大規模言語モデルは、そのような一般化を達成するために何十億もの訓練トークンに曝露する必要がある。 人間にそのような効率的な発達学習をもたらすメカニズムは何か? 本研究は,ロボットが自己誘導探索の試行を通じて,命令文(eg , \textit{push red Cub})に対応する様々な動作を学習するシミュレーション実験を通じて,この問題に対処する。 提案手法は,能動推論フレームワークと強化学習を統合し,好奇心駆動型発達学習を可能にする。 シミュレーションはいくつかの非自明な発見をもたらした。 一 好奇心を駆使した探索と運動騒音が組み合わさって、好奇心のない学習を著しく上回ること。 二 発達の初期段階において、より単純で、必要条件様の行動が出現する一方、これらの必要条件を含むより複雑な行動が後に発生すること。 三 構成一般化の出現前に、文及び動作の回転対が生じること。 四 組成要素の数が増加するにつれて、一般化が大幅に向上する。 これらの結果は、幼児の効率的な共同開発学習の基盤となるメカニズムに光を当て、発達心理学における発見に計算的並列性を与える。

関連論文リスト

• Behavioral Exploration: Learning to Explore via In-Context Adaptation [53.92981562916783]
  我々は、過去の観察の文脈で条件付けられた専門家の行動を予測し、専門家の行動がこの文脈とどのように関係しているかを測定するために、長期コンテキスト生成モデルを訓練する。 これにより、モデルが専門家の振る舞いを模倣するだけでなく、過去の相互作用の歴史を文脈に反映することで、これまで選択されたものと異なる専門家の振る舞いを選択することができる。 本手法は実環境におけるロボット操作作業だけでなく,シミュレーションロコモーションと操作設定の両方において有効であることを示す。
  論文  参考訳（メタデータ） (2025-07-11T21:36:19Z)
• Development of Compositionality and Generalization through Interactive Learning of Language and Action of Robots [1.7624347338410742]
  本稿では、視覚、受容、言語を予測符号化と能動推論の枠組みに組み込む脳に触発されたニューラルネットワークモデルを提案する。 その結果,課題構成の訓練変化が増大すると,未学習の動詞-名詞合成への学習の一般化が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2024-03-29T06:22:37Z)
• Decomposing the Generalization Gap in Imitation Learning for Visual Robotic Manipulation [60.00649221656642]
  シミュレーションにおける模倣学習ポリシーと実際のロボット言語による操作課題について検討する。 我々は、より制御された一般化評価を容易にするために、変化の11因子を持つ19のタスクのシミュレーションベンチマークを設計する。
  論文  参考訳（メタデータ） (2023-07-07T15:26:03Z)
• 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)
• Intrinsically Motivated Learning of Causal World Models [0.0]
  有望な方向は、センサーと環境との相互作用の裏に隠された真の物理的なメカニズムを捉えた世界モデルを構築することである。 環境の因果構造を推定することは、適切な介入データを収集する手段として、適切なチョーセン行動の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2022-08-09T16:48:28Z)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。 人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Development of collective behavior in newborn artificial agents [0.0]
  我々は、深層強化学習と好奇心駆動学習を用いて、集団行動を発達させる新しい人工エージェントを構築する。 我々のエージェントは、本質的なモチベーション(好奇心)のみを用いて、外部の報酬なしに集団行動を学ぶ。 この研究は、高次元の感覚入力と集団行動の分離を橋渡しし、その結果、集合動物の行動のピクセル間相互作用モデルをもたらす。
  論文  参考訳（メタデータ） (2021-11-06T03:46:31Z)
• Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
  本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。 このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。 一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
  論文  参考訳（メタデータ） (2020-09-23T07:18:21Z)
• A Developmental Neuro-Robotics Approach for Boosting the Recognition of Handwritten Digits [91.3755431537592]
  近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。 本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
  論文  参考訳（メタデータ） (2020-03-23T14:55:00Z)

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。