具身智能:原理、算法与系统 第5章 双过程理论与认知架构

目录

5.1 认知双过程理论

5.1.1 Kahneman的系统1与系统2

5.1.2 系统1的特征:快速、自动、联想、情绪化

5.1.3 系统2的特征:慢速、努力、逻辑、计算性

5.1.4 两系统的交互:冲突、抑制与协作

5.2 系统1的实现:神经网络的直觉

5.2.1 深度前馈网络的模式识别

5.2.2 策略网络的快速决策

5.2.3 价值网络的快速评估

5.2.4 系统1的局限性:过度自信与分布外失效

5.3 系统2的实现:符号推理与规划

5.3.1 逻辑推理与定理证明

5.3.2 搜索与优化:树搜索、图搜索

5.3.3 层次化任务网络(HTN)

5.3.4 模型预测与反事实模拟

5.4 全局工作空间理论

5.4.1 Baars的意识理论

5.4.2 信息瓶颈与广播机制

5.4.3 专家模块的竞争与协作

5.4.4 工作记忆的容量限制

5.5 元认知与自我监控

5.5.1 知道感(Feeling of Knowing)

5.5.2 认知不确定性的估计

5.5.3 策略选择与认知控制

5.5.4 错误检测与纠正机制


5.1 认知双过程理论

5.1.1 Kahneman的系统1与系统2

认知双过程理论(Dual-Process Theory)为理解人类思维提供了基础性框架。该理论将认知系统划分为两种 distinct modes of processing:系统1(System 1)与系统2(System 2)。Daniel Kahneman在《思考,快与慢》中系统阐述了这一区分,将其从学术概念转化为跨学科的研究范式。

系统1与系统2的区分并非简单的速度差异,而是代表了两种 fundamentally different computational architectures。系统1作为"高速启发式引擎"(high-speed heuristic engine),持续运行并提供快速响应;系统2作为"懒惰但强大的反思控制器"(lazy but powerful reflective controller),仅在必要时介

新书速览|具身智能:从理论到实践 博士期间参与“嫦娥三号”工程中月球车制图与视觉导航核心算法模块的研发,博士后期间负责国防领域的无人机图像测量与视觉导航系统的关键技术研究,并开发一整套无人机视觉巡查实时应用系统。出站后作为资深研究员加入智驾领域知名科创企业,长期负责智能驾驶领域多传感器融合感知、低成本建图定位、自主导航算法自研及工程化落地,曾获测绘科技进步一等奖,已申请多项智驾核心技术专利。于实体机械臂上的应用实践,同时详细讲解VLN的具体代码,涵盖算法原理与实现过程等内容。阅读,为具身智能技术的研发与应用创新提供全面参考。 阅读详情

相关推荐

【具身智能机器人高级实战】第4章:驱动具身智能的关键算法原理(二)强化学习 (Reinforcement Learning)

近年来,深度强化学习(DRL)的突破,特别是策略梯度与价值函数方法的结合,为解决高维、连续的机器人控制问题提供了强大的工具。SAC是off-policy的,它使用一个经验回放池(Replay Buffer),可以反复利用旧的数据,数据利用率高,通常在采样成本高的场景(如真实机器人)中更受青睐。在RL训练过程中,智能体从回放池中采样进行学习,采样的数据既包含它自己探索的经验,也包含专家的“完美”经验。: 不受人类先验知识的束缚,智能体可能发现人类未曾想到的、更优或更高效的解决方案(如AlphaGo)。

VectorShift的博客 264

具身智能:原理、算法与系统 第1章 具身智能的本质与范畴

从学术定义的角度,具身智能可被界定为"与物理环境进行有目的的能量与信息交换"的智能形式。这一定义揭示了具身智能的两个本质维度:信息处理维度与能量交互维度。与传统人工智能系统仅在信息空间操作不同,具身智能系统必须同时处理信息流与能量流,在物理约束下实现感知、认知与行动的统一。具身智能体具有三个核心构成要素:物理身体(Physical Body)、感知系统(Sensory System)与效应器(Effectors)。这三者共同构成了感知与行动的基础,使智能体能够通过物理交互而非纯粹符号操作来理解世界。

VectorShift的博客 271

具身智能:原理、算法与系统 第2章 具身智能的发展综述

发展综述。

VectorShift的博客 143

具身智能与视觉:机器人如何“看懂”世界?

具身智能与视觉:机器人如何“看懂”世界?​ 人工智能,计算机视觉,大模型,AI,在科技飞速发展的当下,具身智能成为了人工智能领域中一颗璀璨的新星,吸引着无数科研人员与科技爱好者的目光。具身智能,简单来说,就是让智能体(如机器人)基于自身的物理身体与所处环境进行交互,从而实现感知、理解、决策与行动的智能化过程。而在这一过程中,视觉扮演着举足轻重的角色,宛如为机器人打开了一扇通往世界的窗户,使其能够获取大量关键信息,进而做出合理的行为决策。那么,机器人究竟是如何借助视觉来 “看懂” 世界的呢?

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 7万+

具身智能:原理、算法与系统 第4章 归纳偏置与学习效率

具身智能系统面临独特的归纳偏置设计挑战,其偏置谱系可从三个维度展开:形态偏置(Morphological Bias)、感知运动偏置(Sensorimotor Bias)与认知架构偏置(Cognitive Bias)。NFL定理的深层含义在于:学习算法的成功必须依赖于问题结构的特定假设,这些假设即构成归纳偏置(Inductive Bias)。归纳偏置定义为学习算法在学习过程中优先选择特定假设集的倾向,其数学表征为在假设空间 H 上的先验分布或结构约束。归纳偏置的强度构成学习效率与泛化能力的核心权衡。

VectorShift的博客 72

具身智能:原理、算法与系统 第3章 具身智能的感知-认知-行为框架

具身智能的PCB框架源于对生物智能系统的观察:动物通过感官接收环境信息(感知),基于内部模型进行预测和决策(认知),并通过身体执行动作改变环境(行为),而这一改变又通过感知反馈形成闭环。这一框架在两篇核心文献中得到了深入阐述:提出了系统的数学形式化和工程实现,则从认知科学角度强调了归纳偏置和双过程理论的重要性。

VectorShift的博客 156

具身智能:原理、算法与系统 第11章 世界模型学习

从早期的前向模型到现代的潜空间动力学模型,从数据驱动的黑盒方法到物理信息混合架构,世界模型的表达能力与计算效率持续提升。Ha 与 Schmidhuber 的开创性工作展示了在想象空间中学习的可能性,PlaNet、Dreamer 与 TD-MPC 等算法将这一理念推向实用化,而物理世界模型与因果推理的结合则开启了更具解释性与泛化能力的新方向。结果模型 O 预测不同动作的长期回报。图中左侧显示了实际观察到的变量状态,右侧显示了在干预某个变量(如强制设置 X3​=0 )后的反事实状态,以及相应的概率分布变化。

VectorShift的博客 117

具身智能 - 入门指南:从基础理论到实践应用的系统化路径

具身智能(Embodied Intelligence)是一个跨学科、技术密集型的领域,涉及硬件设计、算法开发以及多模态感知与交互等多个方面。由于其复杂性和技术不成熟性,初学者往往感到无从下手,行业人才短缺现象也较为明显。具身智能是一个充满潜力但极具挑战的领域,需要跨学科的知识与实践经验。对于初学者来说,建议从基础理论与动手实践开始,逐步深入到具体的研究方向,并积极参与社区与团队合作。同时,关注行业趋势与商业化需求,找到适合自己的切入点。

1392

大模型时代的具身智能.pdf

大模型时代的具身智能.pdf

具身智能理论与实践[源码]

本文介绍了《具身智能:从理论到实践》一书,该书系统探讨了具身智能这一前沿领域的核心理论与实际应用。内容涵盖多传感器融合、ROS2平台、机器人运动规划与控制、机器学习与关键算法的部署优化等,为读者提供了从入门到精通的全流程指导。书中通过丰富的案例与仿真实践,帮助读者将技术应用于实际项目,适合人工智能研究者、工程师及爱好者阅读。作者易显维和吴凯分别拥有丰富的算法研发及管理经验,并在多个领域取得了显著成就。本书不仅具有学术深度,还具备工程实用性,是具身智能技术研发与应用创新的全面参考。

欧姆龙PLC与fanuc发那科机器人进行Ethrenet ip通信测试

近期在做发那科FANUC的通讯,会吧CC-LINK、Profibus-DP、Profinet I/O、DeviceNet、EtherNet/IP这些常用通讯做成文档发上来,大家喜欢的话可以关注 注:做对应的通讯,在机器人控制柜都需要安装对应的板卡以及软件功能 截图中的程序设置和机器人EDS插件在下面链接 https://download.youkuaiyun.com/download/gojava/13770799 PLC为主站 机器人为从站 一、硬件部分 欧姆龙PLC ...

七兔自习室 1万+

Tesseract-Ocr踩坑下载以及进行检验

1 OCR,即Optical Character Recognition:光学字符识别,是指通过扫描字符,然后通过其形状将其翻译成电子文本的过程。下载完成后进行解压找到这两个,然后复制到之前下载Tesseract-Ocr的tessdata文件下。可能会出现报错说chi下载的问题咱们不用管继续ok让它先下载完毕,后续会有下载chi的步骤。四、检验tesseract使用(将以下图片进行下载我这里将以下图片命名为3.png)我这里选的是2024年的版本如果下载不了;4 在安装的时候(找到下载的exe文件,双击)

m0_51428325的博客 1921

LightRAG实战:5分钟快速搭建一个轻量级法律问答系统(附完整代码)

本文通过实战指南,详细介绍了如何使用LightRAG技术快速搭建一个轻量级法律问答系统。该方案通过构建扁平化实体关系网络和混合检索策略,在5分钟内即可完成从环境准备到智能问答的完整流程,并附有完整代码,为中小团队和个人开发者提供了高效、低成本的AI应用解决方案。

time3的博客 280

OTN设备核心知识速记

本文章为工作笔记,若有错误,还需大家指正。不定期更新。

Hiddengold的博客 2650

AI视频生成成本优化实战:混合架构与硬件选型

AI视频生成技术正面临效果与成本的二元博弈,其核心挑战在于高昂的推理算力消耗与黑箱服务的不确定性。从技术原理看,视频生成依赖扩散模型等深度学习架构,通过多轮迭代实现像素级合成,这导致GPU显存占用和电力消耗呈指数级增长。在工程实践中,采用混合推理架构能有效平衡成本与质量,例如云端处理关键帧配合本地渲染过渡帧,实测可降低58%支出。硬件选型方面,消费级显卡魔改与边缘计算设备为中小企业提供了可行方案,如RTX 3090显存扩容或Jetson AGX边缘部署。当前AI视频应用已渗透电商直播、新闻制作等领域,但需警

weixin_29531177的博客 297

下采样新突破!ADown模块让YOLOv11多尺度特征提取更精准

ADown 凭借可编程梯度信息与多分支特征聚合的创新设计,打破了传统下采样在特征保留上的固有局限。本教程从原理到代码实现,再到工业场景适配,完整呈现了其在 YOLOv11 中的集成路径。只需简单新增模块脚本并修改配置文件,你的目标检测模型就能在多尺度特征捕捉能力上实现跨越式提升——无论是学术研究中的小目标检测突破,还是工业场景下的复杂多尺度任务落地,ADown 都能成为你攻克下采样瓶颈的利器。现在就动手尝试,让你的检测模型在下一代下采样技术的创新中再上一个台阶吧。

know_F0727的博客 525

Sigrity Power SI 3D-EM Full Wave Extraction模式如何进行S参数提取和观测3D电磁场和远场实例分析(一)-差分过孔结构

Sigrity Power SI 3D-EM Full Wave Extraction模式如何进行S参数提取和观测3D电磁场和远场操作指导(一)详细介绍了3D-EM Full Wave Extraction全波S参数提取,下面以一个差分过孔结构进行实例分析,以下图为例。模式如何进行S参数提取和观测3D电磁场和远场实例分析(一)-差分过孔结构。是一个简单的4层板,top换层到bottom层的差分过孔结构。起始频率为100Mhz,截止频率为20Ghz,线性扫描。上面那根曲线是插损,下面那根线是回损。

weixin_54787054的博客 344

毕设-YOLOv8-OBB 实现自有数据集缺陷旋转检测全过程记录

这次项目让我深入理解了 YOLOv8-OBB 的原理和使用流程。步骤内容工具数据标注制作倾斜缺陷样本格式转换从 HBB 转换为 OBB模型训练使用 Ultralytics YOLOv8 OBBCLI 命令模型测试推理与结果可视化通过 OBB 模型,我的缺陷检测系统获得了更高的精度和鲁棒性。未来我打算继续优化数据增强方式,比如引入随机旋转、仿射变换等,让模型更适应不同角度的样本。

FJN110的博客 447

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

上一篇: 具身智能:原理、算法与系统 第4章 归纳偏置与学习效率
下一篇: 具身智能:原理、算法与系统 第6章 视觉感知与场景理解
VectorShift
博客等级 码龄1年 1840粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值