[论文解读] The implications of embodiment for behavior and cognition: animal and robotic case studies

Matej Hoffmann, Rolf Pfeifer|arXiv (Cornell University)|Feb 2, 2012

Action Observation and Synchronization参考文献 68被引用 35

一句话总结

本文主张认知与行为源于大脑、身体与环境之间的动态耦合，通过运动、抓握和视觉等动物与机器人案例研究，证明身体性从根本上塑造了控制与感知。文章引入‘身体图式’和‘前向模型’作为连接低层次感觉运动过程与高层次认知的核心机制，表明智能源于物理交互，而不仅仅是内在表征。

ABSTRACT

In this paper, we will argue that if we want to understand the function of the brain (or the control in the case of robots), we must understand how the brain is embedded into the physical system, and how the organism interacts with the real world. While embodiment has often been used in its trivial meaning, i.e. 'intelligence requires a body', the concept has deeper and more important implications, concerned with the relation between physical and information (neural, control) processes. A number of case studies are presented to illustrate the concept. These involve animals and robots and are concentrated around locomotion, grasping, and visual perception. A theoretical scheme that can be used to embed the diverse case studies will be presented. Finally, we will establish a link between the low-level sensory-motor processes and cognition. We will present an embodied view on categorization, and propose the concepts of 'body schema' and 'forward models' as a natural extension of the embodied approach toward first representations.

研究动机与目标

• 挑战将认知视为纯粹内部计算的传统观点，强调身体物理存在的作用。
• 研究感觉运动交互如何在动物与机器人中塑造行为与认知过程。
• 通过具身机制，构建将低层次感觉运动动力学与高层次认知功能相联系的理论框架。
• 证明控制与认知无法脱离身体及其物理交互而独立理解。

提出的方法

• 分析聚焦于运动、抓握与视觉感知的动物与机器人系统案例研究，以说明具身效应。
• 引入‘身体图式’概念，作为身体状态与空间关系的动态、以身体为中心的表征。
• 提出‘前向模型’作为对动作后果的预测性内部表征。
• 采用整合物理动力学、神经控制与环境反馈的理论框架，构建行为的统一模型。
• 将该框架应用于多种系统，表明自组织适应行为源于具身交互。
• 通过展示分类如何源于重复的感觉运动经验，将感觉运动过程与认知相联系。

实验结果

研究问题

• RQ1 物理具身如何影响动物与机器人中适应性行为的产生？
• RQ2 与环境的感觉运动交互在何种方式下塑造了分类等认知过程？
• RQ3 身体图式与前向模型如何作为连接低层次运动控制与高层次认知的机制？
• RQ4 物理身体在减轻感知与动作计算负担方面发挥何种作用？
• RQ5 如何构建统一的理论框架，整合神经、物理与环境因素于行为与认知之中？

主要发现

• 具身性通过身体的物理结构与动力学特性，减少了对复杂内部计算的依赖，从而实现高效行为。
• 身体图式提供了身体状态与空间关系的实时动态表征，对协调动作至关重要。
• 前向模型可预测动作的感官结果，使系统能在不确定环境中实现预期与自适应控制。
• 分类自然地从重复的感觉运动经验中产生，而非源于抽象符号表征。
• 机器人与动物的案例研究显示，如运动与抓握等复杂行为，源于身体、大脑与环境的紧密耦合。
• 物理动力学与神经控制的整合，即使在缺乏显式内部模型或高层规划的情况下，也能产生稳健且自适应的行为。