[论文解读] Memory-Centred Cognitive Architectures for Robots Interacting Socially with Humans

Paul Baxter|arXiv (Cornell University)|Feb 18, 2016

Language, Metaphor, and Cognition参考文献 14被引用 3

一句话总结

本文提出了一种以记忆为中心的认知架构，用于社交机器人，其中联想记忆网络作为认知的主动基础，通过基于经验的学习实现预测、预激活和多模态对齐。该方法通过动态的、基于经验的预激活，嵌入社会应答性和模仿行为，支持条件性、协同适应的人机交互。

ABSTRACT

The Memory-Centred Cognition perspective places an active association substrate at the heart of cognition, rather than as a passive adjunct. Consequently, it places prediction and priming on the basis of prior experience to be inherent and fundamental aspects of processing. Social interaction is taken here to minimally require contingent and co-adaptive behaviours from the interacting parties. In this contribution, I seek to show how the memory-centred cognition approach to cognitive architectures can provide an means of addressing these functions. A number of example implementations are briefly reviewed, particularly focusing on multi-modal alignment as a function of experience-based priming. While there is further refinement required to the theory, and implementations based thereon, this approach provides an interesting alternative perspective on the foundations of cognitive architectures to support robots engage in social interactions with humans.

研究动机与目标

• 为解决传统符号认知架构将记忆视为被动存储的局限性，提出一种主动的、以记忆为中心的认知方法。
• 通过基于经验的预激活，嵌入社会应答性、预测和协同适应，实现机器人中的社会互动。
• 开发一种支持多模态对齐和跨模态预测的认知架构，这对于人机社交互动至关重要。
• 将发展性学习整合到认知架构中，使机器人能够通过具身经验形成并更新联想网络。
• 为既具有生物学合理性又在真实社交互动中功能有效的认知架构，提供理论和实践基础。

提出的方法

• 基于分布式联想皮层网络的网络记忆框架，支持存储经验的动态激活与再激活。
• 采用类似Hebbian的学习机制，在交互过程中形成并强化感官、运动和情境输入之间的关联。
• 将预激活作为核心机制：部分感官输入触发联想网络中的激活流，从而预测并偏向感知与行为。
• 通过存储在加权联想连接中的先前经验，实现跨模态整合与预测。
• 通过持续交互支持发展性学习，使机器人能够随时间逐步构建并完善其认知结构。
• 通过记忆结构将符号与非符号元素整合，实现高层认知与低层感官-运动处理之间的衔接。

实验结果

研究问题

• RQ1 如何将记忆重新概念化为认知的主动基底，而非被动存储机制？
• RQ2 何种认知架构能使机器人实时预测并协同适应人类的社会信号？
• RQ3 基于经验的预激活如何促成人机交互中的多模态对齐？
• RQ4 发展性学习在形成支撑社会认知的联想网络中扮演何种角色？
• RQ5 以记忆为中心的架构如何在长期社交互动中平衡适应性与稳定性？

主要发现

• 以记忆为中心的认知方法使预测与预激活成为基于经验的基本过程，构成机器人行为中社会应答性的基础。
• 通过预激活，人机交互中的多模态对齐自然涌现，其中部分感官输入可在不同模态间激活相关表征。
• 该架构通过持续的、基于经验的学习，支持低层次感官-运动协调与高层次概念获取的发展。
• 预激活促进跨模态期望的形成，使机器人能够基于部分输入预测缺失的刺激，这对社会响应能力至关重要。
• 该方法提供了一个连贯的理论框架，整合了具身性、认知与社交互动，尽管实际实现仍不完整。
• 尽管在层次结构和时间处理方面存在局限，以记忆为中心的认知核心原则仍为社交机器人提供了一种可行的符号架构替代方案。