文摘

基于语言习得是一个很重要的问题,尤其是促进交互的智能和有效的方法。进化和发展语言习得是两个创新和重要的语言认知的接地方法代理或机器人,它的目的是解决当前机器人设计的局限性。本文集中于这两个主要的建模方法与接地原则对语言能力的习得认知代理或机器人。本文不仅提出了一种计算认知的调查方法和相关的代理或机器人模型,但也强调了这些方法的优点和进步语言接地问题。

1。介绍

在过去的两年半,计算建模语言能力的代理或机器人一直专注于符号操作系统的一个重要问题得到单词的意义,除了字典的风格。这个问题被Harnad指出[1]随着符号接地问题。接地方法的适应在代理或机器人语言模型出现,作为一种反应对纯象征性的不满的方式。研究者之间本质上是一个论点支持基于语言的方法,这个词之间的关联和物理经验提供了语言交流的基础(2]。建立语言模型symbol-physical世界至关重要的关系,而纯粹的符号计算缺乏此连接。因此,对于接地方法,代理或机器人有能力生存在现实场景。这种接地方式的语言模型已经改变了以前的概念智能机器/机器人以及推动机器人应用程序自治水平。

为了补充理论验证的必要性符号接地问题,许多语言模型基于接地原则已经提出(3- - - - - -12]。一些模型使用真正的机器人,而其他人使用模拟代理。在这些基础语言认知代理或机器人的模型,不同的方法和角度考虑和采纳。代理的语言能力是通过物理相互作用在所有的模型建立。

如果我们看一下模型从1990年代末和2000年代初,一些早期的模型开发场景描述、短语和句子的生成通过空间语言和视觉对象描述(接地11,13- - - - - -15]。视觉停飞的话在这方面的研究(文字与感觉运动知觉或具体文字),一些模型启发孩子的学习方法。最早的尝试语言直接接地系统有能力处理记录信息从环境中被称为细胞(横跨海峡的早期词汇学习)(11,16]。这个模型能够学会如何讲话分解成单词也能够将单词视觉形状和颜色类别,由听untranscribed引导婴儿获得演讲。然而,这个模型是有限的对象的数量在一个视觉输入,因为它认为只有一个对象将会提出一个场景。相比之下,孩子们面临着一个更加复杂的环境学习。这个模型的另一个问题是关于referent的理解,因为没有工具被用来帮助理解演讲者指示物。Yu et al。17致力于同一个目标但视觉图像的多个对象。这个模型使用扬声器的眼睛凝视视觉场景中选择特定区域。

如前所述,不同方面一直在考虑接地收购语言认知机器人或代理。一些模型专注于内在动机和积极的探索性行为找到发展因素,有利于语言习得18]。已经表明,代理可以发展他们专注于口头交流和语言特性通过动机对情况的经验19]。

在一些模型、符号接地现象受到Pastra的双向(自顶向下、自底向上)接地视图20.- - - - - -22]。根据这一观点,象征接地是一种双向接地现象。首先,人类行为的代理人获得一个层次组成通过自底向上的方法。然后,通过自顶向下的方法(从符号到感觉运动表示),代理会象征性的结构的解释。

这种双向接地说明在一个自动构建知识库,称为PRAXICON,包括语义的体现网络概念和务实的关系23]。这个知识库的概念有多种表征,如语言、视觉、肌肉运动的,以行动为中心的网络,构建从神经科学的发现24]。实现双向接地也被Ripley机器人(25]。然而,一些重要的论文解决的问题通过考虑单向接地标志或half-grounding机制,例如,单向接地体罚颜色和形状的机器人(26]。

Siskind [27)开发了一个模型,因为动词的意义通过观察视觉感知场景通过固定相机。计算系统将重建观察现场后的意义,人类的手不同颜色的对象上执行不同的动作。这个电脑程序叫做伦纳德。这个模型使用视觉派生功能表达场景中对象之间的关系。这个模型还利用Talmy力动态关系的选择(28]。基本动词的语义建模的时间模式描述预期力动态对象之间的交互。一些其他模型如大炮和科恩(29日]也地面动词的意义。另一个模型学习行为提出了Oladell和胡贝尔(30.]。提出的方法,通过符号表征复杂性管理特性表示生成的政策,给养,和目标。这种方法是通过机械臂的仿真实现和相机。机器人增加了新政策,相应,词典结构的目标。

除了上述因素和方法,有两个非常重要的方法,适应地面符号认知代理或机器人,这是语言的发育和进化收购。这两种方法不仅是重要的接地符号,也有助于推进机器人控制器的设计。在本文中,这两种方法在认知语言接地代理/机器人详细解释。

本文安排如下:在部分2发展语言的方法讨论了原型模型。部分3解释了进化的方法,如发展语言习得方法,这种方法在本节一个示例模型也回顾了。本文以部分4结束语。

2。发展语言习得认知代理/机器人

在这种范式,与高阶行为认知代理或机器人的发展和前层之上的能力。语言能力发展逐步通过直接认知代理或机器人和社会之间的相互作用或物理世界。发展语言习得这里介绍的建模方法是基于联结主义计算Cangelosi的模型中3,31日- - - - - -33]。该方法遵循两个基本机制,象征在相关模型中接地问题已经解决了。首先,符号(文字)学到的代理与分类表示。此外,这些符号也有与其他符号逻辑关联。同样,一些符号接地通过直接交互的知觉,感觉运动,社会和其他内部状态,如情绪和动机。连同这些直接接地符号,符号与接地符号逻辑关系和获得的只是通过语言。这个属性提供生产力和繁殖的语言。例如,这两个符号,“TURN_FACE_RIGHT”和“TURN_FACE_LEFT”,这是直接基于代理的感觉运动经验,生成一个新的词叫做“SHAKES_HEAD”。这个新概念间接理由在感觉运动的经验通过“符号接地转让”机制(流程)(1]。

这个接地方法的个性成为模仿的结果的符号的含义或感觉运动交互发生的代理为生存目的。在这种方法的模型,代理体系结构包括一个人工神经网络的控制。因此,这意味着分布式表示,与隐藏单元激活模式。这种方法的神经网络模型的目的是通过这种方式,所有的功能(感觉运动、认知和语言)的代理集成在一个架构和语言理解,和语言生产场地内部表示。神经结构的原型中使用这些模型如图1(34]。这些模型通常有两种类型的输入(视觉/知觉单位和语言/言语单位)和两个输出单位(运动控制单元、语言话语单位),至少有一个隐藏层。这些模型有不同的连接模式隐藏的单位和内部单位,与不同的模块化的体系结构。

这种设计方法、句法和语义结构出现输入刺激的训练和没有使用明确的规则35]。这种方法充分解决重大问题识别的符号接地问题36]。这种方法的其他属性的能力处理这个词接地现象situatedness效果和体现造型的语言系统。它还提供了自底向上引导的行为意义在认知系统采集问题。

虽然许多模型提出了收购代理或接地语言能力的机器人,只有少数模型提出了发展语言习得研究范式从过去十年直到现在32,33,37]。这种造型方法本身的进展仍然缓慢,大多数的模型只集中在词汇习得属于动词类别。然而,采用方法的模型已经从模拟代理升级到一个真正的人形平台。在下一节中,一个重要的表观遗传了机器人的计算模型,提出了接地的单词作为这种方法的全面视图。

2.1。表观遗传机器人模型与接地传输方法

这个机器人模型提出了Cangelosi和里加37]。在这个模型中,两个teacher-learner机器人代理在模拟场景中嵌入到虚拟环境中。模拟使用一个开放的动态引擎(ODE),这是一个开源软件图书馆,使刚体动力学的模拟和联合类型,使用集成与摩擦碰撞检测。在这个模型中使用的机器人的身体是松散的灵感来自于人形机器人和两个three-segment武器(旋转肩、上臂和前臂),躯干,和四个轮子,如图2(37]。这种基于仿真的机器人模型可以用两只手操纵对象,如图3(37]。

在模拟、教师代理首先显示一个模仿者(学习者)代理的基本动作。教师机器人手动编程。学习者代理机器人配备了一个人工神经网络控制器通过直接接地法和模仿行为。学习者与完全连接神经控制器体系结构由26个输入单元、8个输出单位,和一个隐藏层有8单位。学习者代理的详细信息的功能模块、神经控制器和机器人与环境的三维视图如图所示2(37]。模仿算法用于学习者机器人描述如下: 误差反向传播算法训练网络学习者。仿真有三个阶段,增量(1)基本行动学习(BG)、(2)高阶接地1,(3)高阶基础2。

在BG阶段,学习者代理模仿老师的动作。行动的名字输入到学习者的神经控制器。同时学习者学习行为的名字。这种机制的理由基本行动的话。动作或单词像“CLOSE_RIGHT_ARM、OPEN_RIGHT_ARM LIFT_LEFT_ARM, CLOSE_LEFT_ARM, LIFT_RIGHT_ARM, MOVE_FORWARD, MOVE_BACKWARD OPEN_LEFT_ARM”被教导在BG阶段。

在高阶(HG1和HG2)基础阶段,学习者接收到用户的描述高阶词汇和通过接地转移机制为由输入的话间接地建立在已经获得的基本行动的话。

作为一个例子,“抓住”这个词与用户的描述,“抓住[是]CLOSE_RIGHT_ARM, CLOSE_LEFT_ARM”是学习遵循训练周期:(我)首先,动作词输入到网络和输出是记住了。(2)之前记住行动词与高阶输出映射输入通过培训。(3)在接下来的两个周期,重复步骤1和2的第二行动的话。BG的训练细节50时期阶段,100 HG1时代,和150 HG2时代。在这项研究中,仿真结果表明,该剂成功地学会了6基本动作和3高阶词汇和知识水平是增强通过量化语言发展阶段。

3所示。进化语言习得认知代理/机器人

共享通信系统建模方法提供一个依据语言进化的机器人。沟通通过语言游戏被广泛使用,成为一个成功的造型方法的基础语言实现认知代理和机器人。语言基础通过评估主要是在钢的机器人游戏模式(38- - - - - -42]。语言游戏是一种语言的两个代理之间的交互位于一个特定的上下文(38,43),如图4(44]。

语言游戏帮助解决接地问题,象征的上下文约束的含义的话,让机器人很容易找到意义。这种方法提供了接地符号的意义与语境知识,以及其他方面的语言体现自然和评估,通过社会互动,可以实现的。一般来说,在语言游戏中,代理之间的交互/机器人是轮流。代理可以扮演两个角色,作为一个演讲者和听众。接地符号可以分解成三个submethods:(1)传感和数据预处理,(2)感知数据的分类,和(3)标记。同样,在语言模型中,代理的上下文感知对象或行为通过传感器,提取特征向量,并分类意义。后来,通过主题选择创建一个字典。

感觉运动刺激的游戏可以基于一个场景被一个相机,激活一个红外,声纳,或者简单的光传感器。通常情况下,原始数据处理,提取感兴趣的地区通过一个算法,然后创建特征向量。

在代理或机器人分类预处理感知数据,使用不同的技术,如神经网络和歧视的游戏。歧视的游戏是最常用的方法之一,感知数据的分类(43,45]。游戏分类的歧视感觉运动经验类别区分的经验的方式。这个游戏的一个例子是图所示5(43]。如果找到一个独特的类别在感性经验,游戏是成功的。如果比赛失败,形成一个新的类别。通过这种方式,代理知觉范畴。

总而言之,语言游戏可以定义如下。在感知上下文和提取特征向量通过说话者和听者,机器人会用歧视的游戏分类的意义。在分类步骤中,说话者选择一个对象作为其概念化的话题和转换成一个话语。听者必须解析表达,然后重建它的意义,并将其映射到听者的感性经验世界。游戏可能会失败在诊断和修复的情况下说话者和听者所使用的战略是扩大词汇。因此,通过调整和调整自己的语言系统,他们可能会在未来取得更大的成功。

歧视游戏最初使用一个二叉树实现46]。等表示径向基函数网络和神经网络也被应用于这个游戏的认知分类建立语言模型(41,47]。

用于实验的一个重要语言游戏和机器人是一个猜谜游戏。猜谜游戏,演讲者机器人指向一个对象,而听者机器人环境中把人的注意力吸引到了表示对象。听者机器人感知和概念化情况并试图猜测说话者的欲望。评估听者的猜测是由演讲者机器人和纠正反馈在不匹配的情况下提供。

随着上述语言游戏,还有其他游戏,如分类游戏,运动比赛,命名游戏,观察游戏中都实现了机器人模型从语言基础的角度来看(38,48]。推动艺术的状态进化博弈模型在机器人领域和其他相关领域;然而,进步仍然稳定。最早的模型使用一个简单的移动机器人,而最新的模型使用一个人形平台。这一研究领域的另一个推动来自语法结构的出现在语言游戏模型在早些时候仅仅限于文字接地模型。最新的语言游戏实验采用仿人平台,和语法也起了很大作用在这些模型来满足语言成分属性(49- - - - - -54]。

在下一节中,讨论了一个重要的机器人实验,实现了机器人语言评价现象认知与行动的接地原理类别的单词,为上述语言游戏提供一个原型的例子的方法。

3.1。动作游戏(索尼便仿人机器人)

这里介绍的游戏实验称为动作游戏。在动作游戏中,这是一个位于体现游戏,人形机器人要求对方执行不同的身体动作。在实验中,他们使用索尼便人形机器人(55)有一个清晰的理解的操作,功能,和身体形象的本质49]。在实验中,通过诊断和纠正机器人玩动作游戏的策略。他们逐步组织了一个词汇,即使他们没有任何以前的名单和类别的视觉控制别人的身体动作,从来不知道视觉图像的运动行为间的关系。在这项实验中,电动机和视觉之间的双向映射领域也进行了。

具体地说,一开始,机器人站在镜子前,获得其身体形象之间的关系和mirror-based自己的视觉形象,如图6(49]。收购的身体形象之间的关系后,机器人从事游戏通过询问对方采取特定位置,然后给出反馈,是否达到。相关实验步骤如图所示7(49]。

因为所有的机器人有同样的身体结构,它们可以分类其他机器人的身体形象,逆转的视角。在这个游戏中,代理建立和适应网络链接的身体表示,行动,感知和语言。在这个实验中,代理商的视觉和运动行为之间的协调是通过语言和在镜子中观察。这个实验已经表明,收购任何类型的概念是通过语言游戏,即使它可能是一个词或上下文属性。

4所示。结论

本文的两个主要方法接地标志,发展和进化语言习得,在认知代理或机器人进行了综述。发展语言方法采用逐步提高语言能力,而语言的强调收购进化博弈模型,联合社会代理或机器人之间的相互作用。从调查证实,这两种方法提供了一个解决问题的相关符号接地问题,在推进机器人通信系统。

然而,以缓慢的速度进展继续在两个范例但特别是在发展语言区。特别是,发展语言模型主要集中在词汇习得(基本和更高的类别)在认知代理/机器人,而在语言游戏模型进展可以从词习得语法结构的出现。相反,方法论的机器人平台的发展(从移动机器人到人形,模拟代理人形机器人)中可以看到相关的模型在这两个范式,分别。

的确,语言是一个非常复杂和广泛的现象;因此,仍有大量工作的基础语言认知代理/机器人系统与这些方法。

相互竞争的利益

作者宣称没有利益冲突。

确认

Nadia拉希德作者要感谢高等教育委员会(HEC)奖学金资助她的博士研究巴基斯坦和马来西亚各种大学(UTM)先进的实验室。