【正文】 國(guó)籍： 美 國(guó) 出 處： 美國(guó)麻省理工學(xué)院人工智能實(shí)驗(yàn)室 。在人性方面機(jī)器人將會(huì)與人類更好的結(jié)合，并且人們會(huì)發(fā)現(xiàn)這是一件很自然很普通的事情。無(wú)論如何，在過去的 10 年里，類人機(jī)器人已經(jīng)成為了許多研究組織，會(huì)議和專題關(guān)注的焦點(diǎn)。同樣，測(cè)量員還可以通過對(duì)機(jī)器人測(cè)試來判斷一個(gè)人潛在的危險(xiǎn)性，花費(fèi)和不道德行為。研究者們可以改變內(nèi)在系統(tǒng)參數(shù)，這樣他們可以檢測(cè)在成長(zhǎng)的不同時(shí)期中不同的環(huán)境對(duì)系統(tǒng)產(chǎn)生的影響。我們的實(shí)驗(yàn)系統(tǒng)可以在任何環(huán)境下對(duì)臉和眼睛進(jìn)行，并且已經(jīng)應(yīng)用在了視覺接觸上。此外，能夠正確地認(rèn)識(shí)自我，能夠客觀地回顧過去，有創(chuàng)造力和想象力的玩耍也都與對(duì)健康的成長(zhǎng)有幫助。 在孩子成長(zhǎng)中的一個(gè)重要的里程碑就是他可以接受并重視他人的信念，愿望和獨(dú)立理解能力。通過把處理分解低水平特征時(shí)域高斯場(chǎng)，機(jī)器人可以更有效的辨別目標(biāo)物體和普通物體對(duì)注意力分配的吸引。在機(jī)器人的注意力集遵循注意力模型的基礎(chǔ)上，我們將合并明顯的提示。這導(dǎo)致了對(duì)面部識(shí)別的偏重。 這項(xiàng)應(yīng)用證明了優(yōu)先識(shí)別是建立在嚴(yán)格的任務(wù)管理和有選擇性的低水平特征識(shí)別的基礎(chǔ)上。 我們已經(jīng)應(yīng)用了 Jeremy Wolfe關(guān)于人類視覺搜索和注意力的模型，結(jié)合識(shí)別低水平的動(dòng)作特征，天生的特點(diǎn)（例如面部識(shí)別），明顯的色彩和深度分割動(dòng)作14 的趨勢(shì)和動(dòng)作模型。比如讓機(jī)器人通過聽覺系統(tǒng)來跟人類鼓手一起打鼓。我們不僅可以很短暫的停止和啟動(dòng)它，（通常比一個(gè)循環(huán)要短），而且我們還可以綁很多東西在胳膊上，系統(tǒng)會(huì)很快就會(huì)自動(dòng)針對(duì)變化作出調(diào)整。其次，振蕩器可以完成各種各樣的動(dòng)作，例如轉(zhuǎn)動(dòng)曲軸，做一個(gè)優(yōu)美的動(dòng)作，鋸開木塊，敲鐘，這一切都不需要對(duì)控制系統(tǒng)的結(jié)構(gòu)作任何改變。首先，振蕩器不需要胳膊的運(yùn)動(dòng)學(xué)模型和系統(tǒng)的動(dòng)力學(xué)模型。每個(gè)關(guān)節(jié)和胳膊上的遵循物理動(dòng)力學(xué)原理的振蕩器相互作用決定了胳膊所有的動(dòng)作。兩個(gè)相對(duì)獨(dú)立的模擬神經(jīng)元分別驅(qū)動(dòng)兩支胳膊上的關(guān)節(jié)。 Kiyotoshi Matsuoka描繪了一個(gè)可以產(chǎn)生節(jié)奏性動(dòng)作的脊髓神經(jīng)元模型。雖然這個(gè)模型描述了如何在初始條件下用語(yǔ)言指令控制機(jī)器人做出不同姿勢(shì)，但是推斷在初始條 件下機(jī)器人的原始姿勢(shì)的機(jī)械設(shè)備卻不存在。目標(biāo)和眼睛位置之間準(zhǔn)確的差值信號(hào)讓這些變成了可能。比起描繪一個(gè)二維的視覺定位目標(biāo)并應(yīng)用到 9個(gè)必須的自由度去來接近目標(biāo)，訓(xùn)練更側(cè)重于學(xué)習(xí)兩個(gè)可以組合在一起用來產(chǎn)生動(dòng)作趨勢(shì)的簡(jiǎn)單繪圖。 這項(xiàng)實(shí)驗(yàn)導(dǎo)致了很多有趣的結(jié)果。這種訓(xùn)練實(shí)際上是模仿一些試驗(yàn)動(dòng)物，如蛙類和鼠類的中樞神經(jīng)的反應(yīng)。機(jī)器人移動(dòng)它的眼睛13 去獲得一個(gè)目標(biāo)然后驅(qū)動(dòng)他的頭和脖子轉(zhuǎn)動(dòng)去面對(duì)那個(gè)目標(biāo)。與標(biāo)準(zhǔn)的運(yùn)動(dòng)學(xué)處理技巧不同，這項(xiàng)系統(tǒng)是完全自學(xué)習(xí)的并且使用的是不需要機(jī)器人或者是環(huán)境的校正的模型。 嬰兒通過一系列的階段來學(xué)習(xí)手眼協(xié)調(diào)。我們已經(jīng)在我們的研究用應(yīng)用了下面四項(xiàng)生物模型 。 構(gòu)建與測(cè)試人工智能理論 在我們的研究中，我們不僅僅從生物模型中獲得靈感來設(shè)計(jì)機(jī)器和構(gòu)建軟件，我們還嘗試應(yīng)用自己應(yīng)用這些模型來測(cè)試和驗(yàn)證最初的猜測(cè)。問題就是那一部分重要的動(dòng)作需要被模仿（比如 逆時(shí)針旋轉(zhuǎn)蓋子），而哪一部分不重要（比如擦拭額頭）？當(dāng)動(dòng)作發(fā)生時(shí)機(jī)器人如何來評(píng)價(jià)和判斷。然后機(jī)器人嘗試去模仿這個(gè)動(dòng)作。當(dāng)他開瓶子的時(shí)候他擦了一下額頭并且瞥了一眼機(jī)器人在做什么。那個(gè)人摩擦雙手然后準(zhǔn)備打開瓶蓋。我們同樣可以使 用一個(gè)機(jī)械裝置來使機(jī)器人通過模仿來獲得新的技能和目標(biāo)。 通過模仿來學(xué)習(xí) 。通過做這些，機(jī)器人可以獲得動(dòng)作有沒有被順利執(zhí)行的反饋。我們研究的重點(diǎn)則集中在如何能更基本的理解詞匯的含義。 聲音交流的參與對(duì)于很多社會(huì)交際都是相當(dāng)重要的。我們正在執(zhí)行一個(gè)可以辨別與注意力分配有聯(lián)系的社會(huì)提示并且可以根據(jù)社會(huì)背景作出相應(yīng)的 回應(yīng)。換句話說，學(xué)生必須知道那一部分是與要學(xué)的東西有關(guān)人。 對(duì)機(jī)器人參加社會(huì)活動(dòng)的另一個(gè)重要要求就是理解如何去分配注意力，比如把注意力分配在凝視方向，指向和其他的一些手勢(shì)上。機(jī)器人以這種方式，就能夠影響指令下達(dá)的速度和質(zhì)量。比如說，如果機(jī)器人在領(lǐng)取一位示范者下達(dá)的任務(wù)，但是示范者的動(dòng)作太快以至于機(jī)器人沒能夠理解，這個(gè)機(jī)器人要能夠表達(dá)出一種困惑煩惱的表情。首先 ,機(jī)器人要能夠獲得外界信號(hào)來理解人類提供的信息，這些信息有助于機(jī)器人理解人類的情緒狀況。 客觀來說，對(duì)于一個(gè)擁有社交智能的機(jī)器人，能夠在環(huán)境中理解并運(yùn)用情緒模式，是一項(xiàng)必要的智能成分。我們目前的工作重點(diǎn)集中在四個(gè)社交方面：擁有調(diào)解社會(huì)關(guān)系的情緒模式、為了有效識(shí)別信息進(jìn)行資源共享、通過外界聲音韻律得到信息反饋、能夠通過模型進(jìn)行自我學(xué)習(xí)。為我們的機(jī)器人培養(yǎng)社交技能，這不僅提供了一種自然的人機(jī)交流方式，同時(shí)還為步步為營(yíng)的機(jī)械結(jié)構(gòu)提供了更為復(fù)雜的行為方式。第二，一系列低強(qiáng)度控制回路彈簧，使得每個(gè)關(guān)節(jié)活動(dòng)時(shí)能夠被一低頻彈簧系統(tǒng)控制（大量但柔和的彈簧）這種控制使得手臂能夠以相當(dāng)?shù)偷目刂祁l率從一個(gè)姿態(tài)平滑地變換到另一個(gè)姿態(tài)，同時(shí)使他們能夠從有障礙的路徑上偏移出來，而不是危險(xiǎn)的強(qiáng)行通過，允許安全自然的11 交互感應(yīng)。首先，我們將一系列扭轉(zhuǎn)彈簧加在機(jī)器人手臂關(guān)節(jié)的電機(jī)連接上。張力測(cè)量器檢測(cè)每個(gè)手臂關(guān)節(jié)處的輸出扭矩，同時(shí)電位計(jì)檢測(cè)位置兩個(gè)麥克風(fēng)提供聽覺部分的輸入，同時(shí)多種類型的限位開關(guān)閘、壓力傳感器、熱量傳感器提供其他模仿生理感受的輸入?，F(xiàn)在，小機(jī)器人擁有兩個(gè) 6自由度的手臂，一個(gè) 7自由度的頭部，三個(gè)關(guān)節(jié)連接點(diǎn)和豐富的傳感器系統(tǒng)。比如說，如圖的小機(jī)器人開始是一個(gè)帶有一個(gè)手臂和一個(gè)未完成的視覺系統(tǒng)的 14個(gè)自由度的上部機(jī)構(gòu)。此外，為了能夠和人類進(jìn)行安全的交流，辨識(shí)社交性的暗示并作出響應(yīng)，我們的機(jī)器人必須具有從人類示范中進(jìn)行學(xué)習(xí)的能力。 我們的機(jī)器人要求能夠與人類伙伴共同在嘈雜、混亂、信息量復(fù)雜的工作空間內(nèi)運(yùn)行，這種要求促使我們構(gòu)造一個(gè)能夠處理自然環(huán)境復(fù)雜性的系統(tǒng)。這種自治系統(tǒng)要表現(xiàn)出精確作業(yè)和處理一般性大工作區(qū)任務(wù)之間的平衡互換。 自動(dòng)機(jī)器人在人類環(huán)境中 與工作在小范圍固定環(huán)境中的工業(yè)機(jī)器人不同，我們的機(jī)器人需要能夠在變化的環(huán)境條件下，有柔性地在較大工作范圍內(nèi)執(zhí)行任務(wù)。我們不僅僅希望制造出來自仿生學(xué)靈感的機(jī)器人，我們還希望10 能夠成型或提升我們自己對(duì)這些生命性能的理解。這種能力的要求會(huì)影響機(jī)器人控制系統(tǒng)的設(shè)計(jì)和肢體的構(gòu)造。 ? 具有社交能力的機(jī)器人必須能夠體察并理解人類每天都會(huì)使用的一些低水平的社交方式，比如點(diǎn)頭或眼神接觸，這樣多臺(tái)機(jī)器人能夠互相影響，無(wú)須特殊的訓(xùn)練或指令。我們?cè)O(shè)計(jì)的機(jī)器人不是具有特殊工藝能力的機(jī)器人（比如裝配線上的焊接機(jī)器人）。在美國(guó)麻省理工學(xué)院人工智能實(shí)驗(yàn)室，三項(xiàng)基本原則指導(dǎo)著我們的研究。 綜 合相 關(guān) 的工程、 計(jì)算機(jī)體系機(jī)構(gòu)和 實(shí)時(shí) 控制系 統(tǒng) 的 問題 ，我 們對(duì) 機(jī)器人的 綜 合體系 進(jìn) 行了 詳細(xì) 的 討論 ：我 們應(yīng)該 采用何 種類 型的 傳 感器？機(jī)器人 應(yīng)該 怎 樣處 理 這 些數(shù)據(jù)？怎 樣 使機(jī)器人能 夠 有目的的完成任 務(wù) ，并 對(duì) 周 圍環(huán) 境做出反 應(yīng) ？如何使 這 個(gè)系 統(tǒng) 適 應(yīng)變 化的外部 環(huán) 境，并學(xué) 習(xí) 新的任 務(wù) ？不同的 類 人機(jī)器人都必然面 對(duì) 控制 電 機(jī)、感知器官、機(jī)器學(xué) 習(xí) 能力等相同的 問題 。制造一個(gè)具有人性的機(jī)器人是一 項(xiàng)艱 巨的工程學(xué)任 務(wù) ，它要求機(jī)械、 電 控、 軟 件工程； 計(jì) 算機(jī)體系機(jī)構(gòu)； 實(shí)時(shí) 控制等多方內(nèi)容的 結(jié) 合。一般 說 來，機(jī)器人 還 不及小說 劇 本中虛構(gòu)的機(jī)器人那 樣 ，具有相當(dāng)?shù)闹悄芎瓦m 應(yīng) 性。 infants have demonstrated the ability to recognize praise, prohibition, and attentional bids even in unfamiliar languages. Learning through imitation. Humans acquire new skills and new goals through imitation. Imitation can also be a natural mechanism for a robot to acquire new skills and goals. Consider this example: The robot is observing a person opening a glass jar. The person approaches the robot and places the jar on a table near the robot. The person rubs his hands together and then sets himself to removing the lid from the jar. He grasps the glass jar in one hand and the lid in the other and begins to unscrew the lid by turning it counterclockwise. While he is opening the jar, he pauses to wipe his brow, and glances at the robot to see what it is doing. He then resumes opening the jar. The robot then attempts to imitate the action. Although classical machine learning addresses some issues this situation raises, building a system that can learn from this type of interaction requires a focus on additional research questions. Which parts of the action to be imitated are important (such as turning the lid counterclockwise), and which aren’t (such as wiping your brow)? Once the action has been 5 performed, how does the robot evaluate the performance? How can the robot abstract the knowledge gained from this experience and apply it to a similar situation? These questions require knowledge about not only the physical but also the social environment. Constructing and testing humanintelligence theories In our research, not only do we draw inspiration from biological models for our mechan