探討智能機器人的認知與學習

禤耀佳

摘要：基于人工智能理論發展，其應用進一步拓展，對于下一代人工智能而言，認知與學習已經是其重要任務，例如智能機器人的出現，充分發揮了人工智能技術，進一步模仿人類智能，以完成各式各樣的工作，并持續提升自身學習、認知能力。本文將針對這一情況予以研究。

關鍵詞：智能機器人;認知與學習;機器學習算法;范式;強化學習

0? 引言

關于智能機器人，其具備高層認知能力，可以很好地適應復雜環境，并完成對應的工作，具體認知包括三個步驟，其一獲得數據;其二加工數據，并得出結果;其三自我完善，自我學習。對比機器學習，機器認知與其既有區別，即前者重視人腦學習能力，后者重視人體、人腦的行為與感知，同時二者又有關聯的地方，即模仿人類智能。

1? 機器學習算法本質及原理

在長期探索人類社會、自然界中，科學家給出了許多數學模型，以描述現象、事物，其可以歸納為三類。

其一，歸納模型：其包含幾個參數變量，同時任一變量都代表獨特的物理意義。借助該類模型，可以獲得某一對象的規律、本質，比如大部分物理、數學定律均屬于這一模型[1]。

其二，預測模型：該模型具備一個萬能函數，這一函數可以擬合大部分訓練樣本，同時其中的參數沒有物理意義。模型只用來預測、模擬等某一特定現象、事物，不會獲得某一對象的規律、本質。目前，大部分機器學習算法均應有這一模型。

其三，直推模型：其不具備明確的數學函數，會借助其采集的大數據，以預測特定標簽。該類模型主要結合采集的大數據，客觀描述某一現象、事物，同時數據規模越大，客觀描述就越準確、越全面[2]。換而言之，與其它模型相比，其不需要明確數學模型，使用起來更加簡單直接，但其充分依賴大數據，一般要耗費大量的使用成本、計算量。此外，該模型無法獲得某一對象的規律、本質。基于越來越多的人使用互聯網技術，可越來越廉價、簡單地獲得大數據，為直推模型的應用提供了便利[3]。比如，在各大互聯網中，搜索引擎會借助用戶點擊率，以改善網頁排序精度。

結合上述內容可以知曉，就機器學習算法而言，其本質是獲得一個萬能函數，以建立預測模型。在訓練過程中，結合用戶予以的訓練樣本，可以獲得最優參數集，從而科學的分布訓練樣本集。借助訓練，可獲得預測模型，換而言之，提取訓練樣本集分布，并將其編碼到參數集中。利用預測模型，可以預測未知樣本x，包括屬性、標簽等[4]。如今，大部分機器學習算法均應用這一原理，比如谷歌公司的AlphaGo。

結合某一現象、事物獲得的訓練樣本，蘊含著眾多先驗知識，可以直觀描述某一現象、事物。例如，在ImageNet ILSVRC比賽中，其獲得1000類訓練樣本集，彩色圖像共計一百多萬張。其中，每一類都對應一種物體，包括鳥、汽車等，并涉及不同角度、場景的彩色圖像1000張[5]。通過這樣的訓練，可以獲得深度卷積神經網絡，其本質是每類物體的個體差異、共性特征，并從中提取信息，以編碼的形式錄入參數集中。一旦出現未知圖像，神經網絡就會充分利用先驗知識，以分類、識別輸入圖像。

2? 智能機器人的體系結構

關于智能機器人，其體系結構可以明確各部分功能分配、信息流通關系、以及相互關系，并獲得邏輯計算結構。智能機器人出于完成任務的目的，就要建立科學的體系結構。現階段，體系結構可以結合執行、規劃、感知等進行劃分，大體可分為混合型、包容型、慎思型等范式。

2.1 傳統范式分類及問題

關于智能機器人，其系統范式可以界定某一問題的技術、假設，其既是解決問題的工具，也是看待智能的方式。體系結構屬于實例，范式屬于抽象類，結合機器人體系結構，范式包括三種，其一，分層范式;其二，反應范式;其三，反應/慎思混合范式[6]。關于傳統分類方法，其自信息流動方向入手，但沒有明確說明產生過程。另外，機器人要具備較高的適應性，在系統設計機器人時，學習能力是重要因素，但傳統范式，沒有考慮學習能力。

2.2 智能產生方式范式分類

就智能產生方式而言，機器人系統可以劃分為五種，其一基于知識的范式;其二基于行為的范式;其三基于學習的范式;其四基于進化的范式;其五基于認知的范式。

2.2.1 基于知識的范式

關于基于知識的范式，其意味著程序員可以借助編程，把知識輸入機器。在自動推理與證明、專家系統領域，這一方法是適用的，但是其使用范圍有限，即其只適用于抽象思維、邏輯推理知識。另外，基于環境復雜性的限制，有些知識是無法輸入到機器中的。就傳統分層范式而言，借助符號化知識予以決策，即基于知識的范式。

2.2.2 基于行為的范式

關于基于行為的范式，意味著在編寫程序時，要完成機器人自主感知周邊環境，同時作出反應的任務，并且在機器人內部存在大量并行的簡單指令，結合優先級的不同，可以進行簡單組合，從而做出復雜行為。換而言之，其等價于傳統反應范式。

2.2.3 基于學習的范式

就基于學習的范式，其意味著程序員會結合特定問題，編寫學習程序。該種學習范圍有限，只針對特定任務，即輸出、輸入均受到約束。借助人為的方式，可以輸入特定知識結構，通過學習過程，持續調整其中參數。在以往研究中，機器人模式識別、學習等方法，只針對特定任務，也是基于學習的范式。

2.2.4 基于進化的范式

就基于進化的范式，其主要按照生物演化規律。首先，提出機器人知識結構;其次，將其放置在運行環境中自行淘汰，發育;最后，選取新的后代。在這一過程中，機器人的參數、知識結構處于變化狀態。在模擬環境中，此種范式比較適用;而在現實環境中，由于機器人造價高、進化耗時過長，其使用起來具有一定的難度[7]。為此，誕生了“進化機器人”，其既繼承了這一范式，又進行了適當的發展。關于“進化機器人”，其意味著在進化機制中，不斷融入符號、聯結機制，促使機器人在交互中，自主實現控制系統。

2.2.5 基于認知的范式

就基于認知的范式，其重點知機器人認知過程，相比較進化過程，其是有區別的，進化意味著整個歷史的生命進化，認知注重機器人自主學習，其與機器人學習相關。在這一過程中，機器人主動認知世界、主動與環境交互，并形成內在知識。相比較基于學習的范式，其最大不同是學習范圍更廣闊，即任何知識，不需要編程特定任務。

3? 基于強化學習、認知的學習方法

3.1 認知的強化學習特征

①ODMDP特性：就可以認知得機器人而言，環境狀態均可以依靠觀測的方式獲得，具備ODMDP特性，而行動、狀態空間不可以人為事先給出，均可要借助環境交互產生。為此，強化學習模型，要實現ODMDP策略學習，并實現增量學習。

②多任務學習能力：對于智能機器人而言，其不會只針對一個任務，還會涉及充電、導航等任務，同時任務是可以任意添加的。而對于強化學習系統而言，其只完成一個任務。另外，智能機器人可面向不同任務，完成多個策略間轉換，即自其他的強化學習任務中，獲得策略經驗。最后，就強化學習系統而言，其需要機器人予以選擇，并給出行動決策。

③興趣驅動的學習：就智能機器人來講，其基本的能力就是自主學習，其針對的對象既包括面向任務的知識，也包括由興趣驅動的知識，借助探索、玩耍等行為，可以廣泛學習知識，提升自身能力，這屬于智能發展本質。

④實時學習能力：對于認知機器人而言，其重視環境真實交互，為此要具備實時學習能力。同時，對于強化學習而言，原始的動作、傳感器等不適用。對此，要借助合理計算分布式、行動、狀態空間、優化初始值等，提高學習速度。

⑤狀態轉移可以不同時進行：在強化學習算法中，跡衰退系數A、回報折扣率Y等狀態轉移時間一樣。然而機器人環境交互，這一條件難以達成，為此要更新強化學習方式。

3.2 認知的強化學習模型

結合傳統強化學習方法，知識模塊可作為中心數據結構，通過狀態值表等予以表示，并通過中心控制程序，持續更新數據結構。若以神經網絡以表示，可以統一知識、學習過程。但就神經網絡而言，設計結構需要一定的技巧，并結合具體任務來設計，同時行動輸出、感知輸入等要符合馬爾科夫特性，通過調整權值的方式，對應實現行動、狀態。

3.3 強化學習算法實現

在STAMN中，任一狀態行動值，要借助行動、狀態節點間權值以表示。對于任一行動、狀態節點而言，其在被內部激活后，要更新狀態行動值。一旦獲得獎勵值，不僅作用于前一步已激活的狀態行動值，還要反映在多步激活的狀態行動值中。對于強化學習方法而言，其本質是局部更新，為此不需任何修改，就能應用在強化學習模型中。

4? 結束語

綜上所述，出于精準理解環境的目的，在設計機器人時，要考慮觸覺、聲覺、視覺等傳感器，并利用大數據處理、云計算等技術，借助與環境的交互，加強機器人認決策知、理解、感知環境等能力。另一方面，出于精準操作的目的，既要研制新型傳感器，也要研制新型執行器，借助決策、認知、學習，改善機器人解決復雜任務能力。此外，在如今的機器人應用，也引入了新的技術，比如增強現實、虛擬現實等技術，并結合多種穿戴式傳感技術，橫跨知識、虛擬、物理等空間進行學習，同時自主學習人類智能。

參考文獻：

[1]陳玲玲，馮琦，馬小霞，等.基于深度學習的認知無線電智能功率控制算法設計與實現[J].信息技術與信息化，2019（7）：95-97.

[2]孫富春.智能機器人的認知與學習[J].機器人，2019，41（5）：561.

[3]孔令龍，田國會.智能家庭中一種基于本體的機器人服務認知機制[J].山東大學學報（工學版），2019，49（6）：85-87.

[4]李振，周東岱，王勇.“人工智能+”視域下的教育知識圖譜：內涵、技術框架與應用研究[J].遠程教育雜志，2019（4）：75-77.

[5]王廣新，王悅.支持智慧學習的語境化敘事游戲開發與學習效果驗證[J].中國遠程教育：綜合版，2019（10）：15-17.

[6]黃敏，路飛，李曉磊，等.基于IHDR算法和BP神經網絡復合框架的機器人服務自主認知和發育系統[J].機器人，2019，41（5）：609-619.

[7]王薇，吳鋒，周風余.機器人操作技能自主認知與學習的研究現狀與發展趨勢[J].山東大學學報（工學版），2019，49（6）：195-197.