[论文解读] Novelty Detection for Robot Neotaxis

Stephen Marsland, Ulrich Nehmzow+1 more|ArXiv.org|Jun 2, 2000

Evolutionary Algorithms and Applications参考文献 17被引用 19

一句话总结

本文提出一种基于生物启发的新型检测算法，用于移动机器人，利用习惯化突触可塑性过滤重复刺激，并将注意力引导至新异刺激。该系统通过自组织映射（SOM）、K-均值（K-Means）和时间Kohonen映射（TKM）聚类网络实现，具备可习惯化突触，支持‘新异趋近’（neotaxis）——机器人转向最新型刺激的行为。该方法在闪光灯和传感器输入的受控实验中成功验证。

ABSTRACT

The ability of a robot to detect and respond to changes in its environment is potentially very useful, as it draws attention to new and potentially important features. We describe an algorithm for learning to filter out previously experienced stimuli to allow further concentration on novel features. The algorithm uses a model of habituation, a biological process which causes a decrement in response with repeated presentation. Experiments with a mobile robot are presented in which the robot detects the most novel stimulus and turns towards it (`neotaxis').

研究动机与目标

• 开发一种实时、在线的新型检测机制，用于自主机器人，优先识别环境中的新异刺激。
• 通过生物启发，解决通过过滤重复、熟悉的刺激来减轻感官数据负载的挑战。
• 实现并评估一种基于习惯化的过滤机制，使注意力能够转向新或变化的特征。
• 在移动机器人环境中，测试该系统在不同聚类网络（SOM、K-Means、TKM）下的鲁棒性与适应性。
• 使机器人能够作为检测代理，学习环境基线特征后，检测其中的异常或变化。

提出的方法

• 新型检测滤波器采用类似生物突触抑制的习惯化机制，其动力学由微分方程 $\tau\frac{dy(t)}{dt} = \alpha[y_0 - y(t)] - S(t)$ 描述，其中 $y(t)$ 为突触效能，$S(t)$ 为刺激，$\tau$ 和 $\alpha$ 分别控制习惯化与恢复速率。
• 聚类网络（SOM、K-Means 或时间Kohonen映射）将输入刺激映射到神经元，获胜神经元的输出受可习惯化突触调制，随重复放电而降低。
• 系统包含一种去习惯化机制，当刺激消失时可恢复突触效能，模拟遗忘过程，使系统能重新检测此前不活跃的刺激。
• 机器人执行360°旋转，每90°暂停一次，以确保所有传感器均能学习识别同一刺激，防止因传感器特异性激活导致的虚假注意力转移。
• 新型检测滤波器的输出用于驱动机器人行为：转向最新型刺激，该行为称为‘新异趋近’（neotaxis）。
• 预处理确保输入采样一致，以最小化传感器轮询时间抖动引起的虚假读数。

实验结果

研究问题

• RQ1 基于习惯化的突触机制是否能在实时机器人系统中有效过滤重复刺激并突出新型刺激？
• RQ2 在作为新型检测滤波器特征映射组件时，SOM、K-Means与TKM在性能与稳定性方面有何差异？
• RQ3 是否引入遗忘/去习惯化机制可提升系统在长时间缺失后检测新型刺激的能力？
• RQ4 尽管存在传感器特异性输入差异，机器人是否能可靠地执行新异趋近——即转向最新型刺激？
• RQ5 系统对噪声或不一致的传感器输入有多鲁棒？需要何种预处理以确保可靠运行？

主要发现

• 新型检测滤波器在所有测试条件下均成功使机器人识别并转向最新型刺激，表现出一致的新异趋近行为。
• 时间Kohonen映射（TKM）在识别如短-短-长-长和短-长-短-长等时间变化刺激模式方面优于SOM与K-Means。
• SOM因传感器轮询时间不一致，偶发虚假读数，导致意外的输入变化与响应延迟。
• 系统性能对输入一致性敏感；传感器预处理对降低噪声、提升可靠性至关重要。
• 引入遗忘机制（去习惯化）使系统在长时间缺失后能重新检测到刺激，显著增强了长期新型检测能力。
• 该方法在作为检测代理方面具有可行性：在学习环境基线特征后，机器人可在后续接触中检测到新或变化的刺激。