[论文解读] Robot self/other distinction: active inference meets neural networks learning in a mirror

Pablo Lanillos, Jordi Pagès+1 more|arXiv (Cornell University)|Apr 11, 2020

Action Observation and Synchronization参考文献 34被引用 19

一句话总结

该论文提出了一种基于神经网络的算法，通过主动推理和自由能最小化，使机器人能够区分自身动作与其他人的动作。通过学习自身动作与视觉/身体状态变化之间的感官运动因果关系，机器人在无需依赖外观线索的情况下，仅通过镜像中的感官证据积累实现自我识别，从而在各种条件下实现稳健的自我/他人区分。

ABSTRACT

Self/other distinction and self-recognition are important skills for interacting with the world, as it allows humans to differentiate own actions from others and be self-aware. However, only a selected group of animals, mainly high order mammals such as humans, has passed the mirror test, a behavioural experiment proposed to assess self-recognition abilities. In this paper, we describe self-recognition as a process that is built on top of body perception unconscious mechanisms. We present an algorithm that enables a robot to perform non-appearance self-recognition on a mirror and distinguish its simple actions from other entities, by answering the following question: am I generating these sensations? The algorithm combines active inference, a theoretical model of perception and action in the brain, with neural network learning. The robot learns the relation between its actions and its body with the effect produced in the visual field and its body sensors. The prediction error generated between the models and the real observations during the interaction is used to infer the body configuration through free energy minimization and to accumulate evidence for recognizing its body. Experimental results on a humanoid robot show the reliability of the algorithm for different initial conditions, such as mirror recognition in any perspective, robot-robot distinction and human-robot differentiation.

研究动机与目标

• 通过感官运动学习和主动推理，使机器人实现镜像中非外观的自我识别。
• 解决在视觉和本体感觉线索部分或模糊的动态现实场景中，自我/他人区分的挑战。
• 将自我识别建立在无意识的身体感知机制之上，而非高层认知意识。
• 开发一种可扩展且符合生物学原理的框架，避免依赖预设的肢体分割或外观模型。
• 在不同镜像视角、机器人-机器人及人-机器人交互等场景中展示鲁棒性。

提出的方法

• 机器人使用神经网络学习将自身运动指令映射到预期的视觉和本体感觉结果的前向模型。
• 通过自由能优化计算并最小化预测与实际感官状态之间的预测误差，推动对身体构型的推断。
• 利用概率模型计算在假设机器人自身生成动作的前提下，感官数据的边缘似然度，从而积累自我识别的证据。
• 双比较器模型整合了预测误差（第一比较器）与时空因果关系（第二比较器），以提升自我/他人区分能力。
• 显式建模感官运动不确定性，使在部分或噪声观测下仍能实现鲁棒推断。
• 框架采用变分推断近似贝叶斯模型证据，支持在线学习和实时自我识别。

实验结果

研究问题

• RQ1 机器人能否仅依靠非外观感官线索，在镜像中区分自身动作与他人动作？
• RQ2 如何利用主动推理和自由能最小化来学习并更新用于自我识别的感官运动模型？
• RQ3 在不依赖视觉外观或预先分割的肢体部分的前提下，自我/他人区分能在多大程度上通过感官运动因果关系学习而产生？
• RQ4 所提出的模型能否在不同镜像视角及与其他智能体的动态交互中保持鲁棒性？
• RQ5 与单一机制方法相比，预测误差与时空因果关系的整合如何提升自我识别的可靠性？

主要发现

• 在镜像实验中，机器人即使在视觉外观相似的情况下，也能成功区分自身动作与人类或另一台机器人动作。
• 在自身生成动作期间，低预测误差导致自我识别的高置信度，而较高误差则降低自我识别的概率。
• 该算法在不同初始镜像视角和动态交互条件下均表现出鲁棒性。
• 系统通过边缘似然度计算积累时间证据，实现实时可靠自我识别，无需显式外观匹配。
• 一个意外的副作用是，当机器人在镜中观察到自己的手时，出现了类似模仿的行为，表明通过推理可能产生模仿倾向。
• 该方法在无需复杂视觉分割或身体形状先验知识的前提下，仅依赖动作-效应因果关系，即实现了自我/他人区分。