行为分层结构的可计算机器人模型

臧光明

行为分层结构是研究机器人学的一种基本方法和手段。使用该方法，机器人可以表现出复杂而又不失灵活的行为。最近，关于这方面的研究和应用越来越受到业界的关注。行为分层结构之所以越来越受到人们的重视，一方面是因为机器学习以及机器人技术代表了今后解决复杂任务的一个重要方向。而另一方面，心理学和神经科学有越来越多的证据表明，模块化和层次结构是行为和大脑的关键组织准则。本书几乎涵盖了本领域所有的重要模型，在此基础上着重介绍了行为分层结构模型计算和机器人技术。

本书分为3个部分。第1部分为机器人学中的行为层次结构。介绍了如何通过设计一个机器人来处理行为分层结构问题。该过程涉及部分仿生技术，该阶段最主要的贡献是建立了很实用的智能技术产品。本章节重点介绍了行为层次结构中很重要但是常常被忽略的两个特征，即它对于探究行为的影响以及促使复杂领域规划成本的降低。本章还给出了4个分层增强学习的例子来说明行为层次结构在探究及表征研究中的关键作用。通过学习给出的实例，我们有效验证了行为分层在人工以及现实世界中至关重要的作用。

第2部分为动物行为学中的层次结构。介绍了用于理解真实世界中动物行为的层次结构计算模型。该模型在一定程度上解答了科学研究中关于动物智能行为分层的疑问。本部分着重探讨了动物行为学中如下的研究热点：1.模块化的多臂控制模型。包括电机控制中的可计算问题、感官冗余、大脑的模块化和层次结构、模块化和层次化模型；2.电机控制中的泛化与干扰问题。包括程序记忆的巩固、生物系统中的干扰和泛化、多任务学习等；3.一个累积学习机器人的模型框架。内容包括条件约束、感官运动映射模型、构造映射模型、进化行为训练，最后阐述了目前所面临的研究挑战等；4.分布式自适应控制架构中的知识层次积累。包括分布式自适应控制描述、活性和环境控制系统的互补作用、空间信息集成等。

第3部分为动物脑层次结构。介绍了动物脑层次结构相关的计算模型，从而为未来的智能机器人解决实际问题奠定了一定的基础。本部分涵盖如下内容：1.智能计算假说。包括线程的特点及其局限性、皮质层次结构、基底核层次结构、大脑皮层结构整合；2.分层强化学习和任务分解。包括分层增强学习、潜在的神经机制、识别有效子目标等；3.大脑中分层运动功能的神经网络模型。包括构造运动功能的分层动态模型、调制高层次运动程序、学习运动序列以及分层建模未来所面临的挑战。

本书所涉及内容较为前沿，适合生物信息学、仿生学、人工智能、机器人学等专业的学者和硕博研究生阅读参考。

（中国科学院国家空间科学中心）endprint