60、基于学习自动机的发展式学习与意见动力学模型研究

基于学习自动机的发展式学习与意见动力学模型研究

发展式机器人学相关模型

发展式机器人学应运而生，这里的“发展”并非指机器人身体的发展，而是其心理或认知层面的发展，也可理解为知识与能力的发展。发展式机器人模仿人类大脑和心理的发展过程，要求机器人能自主学习知识，在真实环境中完成各种任务，并在记忆系统中组织知识。

研究者们提出了多种不同的发展模型：
- IPCA + HDR树模型 ：由Weng提出，包含增量主成分分析（IPCA）算法和层次判别回归（HDR）树算法，前者的输出是后者的输入。该模型能实时对变化的环境做出适当响应，适用于机器人的实时发展和自主增量学习，但缺乏高级决策和任务区分能力，难以完成更复杂的任务。
- 任务导向发展式学习（TODL）模型 ：Tan等人在IPCA + HDR树模型基础上提出，通过对任务的学习使机器人具备处理多任务的能力，性能有了很大提升。
- 基于提取和预测机制的层次发展模型 ：Blank等人提出，提取机制通过自组织映射（SOM）实现，预测机制采用简单回归网络（SRN）。该模型的主要不足是结构复杂，高级决策动作过大，且缺乏规划具体目标和任务的能力。
- 图式模型 ：由Stojanov提出，其思想主要源于20世纪伟大的发展心理学家Piaget的认知发展理论。该模型很好地模仿了人类认知的发展过程，具有很强的鲁棒性和适应性，但当感知状态过多时，会大大增加计算时间，影响收敛速度。
- 情感人形机器人WE - 4R的行为模型 ：Itoh等人将新的行为