لماذا يتناسب النطاق
يتفحص الروبوتات الكلاسيكية تقدير الحالة (مرشحات كالمان/الجسيمات)، والتحكم (LQR، MPC، PID)، و، بشكل متزايد، التعلم المعزز، وكلها تحل كوحدات منفصلة. بدلاً من ذلك، يضع الاستدلال النشط جميع الثلاثة كوظيفة استنتاج بايزي تقريبي تحت نموذج توليدي واحد، مما يقلل من طاقة التباين المتغيرة لتقييم الإدراك والتعلم والطاقة الحرة المتوقعة - والتي تتجـاوز بين القيمة المعرفية (الزيادة في المعلومات) والقيمة العملية (رضا الهدف) لاختيار الإجراء. يجادل لانيلوس وزملاؤه بأن هذا التوحيد المفاهيمي هو بالضبط ما يجعل الروبوتات بيئات اختبار مثالية: فهي يجب أن تحافظ على معتقدات حول المتغيرات المخفية (تكوين الجسم، حالات الكائنات، الديناميكيات) من تدفقات استشعار غامضة وتتصرف للحفاظ على نطاق ملاحظاتها ضمن النطاق المتوقع لنموذجها. يوضح تحليل ميلدidge et al. للأدبيات المتعلقة بتحويل التحكم إلى استنتاج طاقة التباين المتغيرة لتقييم الإدراك والتعلم والطاقة الحرة المتوقعة - والتي تتجـاوز بين القيمة المعرفية (الزيادة في المعلومات) والقيمة العملية (رضا الهدف) لاختيار الإجراء. يجادل لانيلوس وزملاؤه بأن هذا التوحيد المفاهيمي هو بالضبط ما يجعل الروبوتات بيئات اختبار مثالية: فهي يجب أن تحافظ على معتقدات حول المتغيرات المخفية (تكوين الجسم، حالات الكائنات، الديناميكيات) من تدفقات استشعار غامضة وتتصرف للحفاظ على نطاق ملاحظاتها ضمن النطاق المتوقع لنموذجها. يوضح تحليل ميلدidge et al. للأدبيات المتعلقة بتحويل التحكم إلى استنتاج طاقة التباين المتغيرة لتقييم الإدراك والتعلم والطاقة الحرة المتوقعة - والتي تتجـاوز بين القيمة المعرفية (الزيادة في المعلومات) والقيمة العملية (رضا الهدف) لاختيار الإجراء. يوضح تحليل ميلدidge et
أنماط التطبيقات في الأدبيات
نماذج توليدية في تطبيقات الروبوتات عادة ما تكون منظمة حول الفيزياء والميكانيكا المعروفة بدلاً من التعلم المباشر: يرمز عمل إدراك الجسم البشري إلى الأمام بالميكانيكا إلى جهود و نماذج الملاحظات متعددة الوسائط (بصري/الاستقبالية)، بينما ترميز وحدات التحكم في المشغل يشمل ديناميكية المفصل، والقصور الذاتي، وقوى الاتصال. ثم يدفع الطاقة الحرة المتوقعة اختيار السياسة - يتكيف وحدة التحكم في المشغل التكيفية الخاصة ببيزاتو وفراري وإيرنانديز (المكتشفة في IEEE Robotics and Automation Letters) عبر الإنترنت مع عدم اليقين الديناميكي وأخطاء المستشعرات، ويعرض وكيل توازن الكرة الخاص بباويومي وما إلى ذلك طاقة حرة متوقعة تحفز سلوكًا استكشافيًا حقيقيًا يشبه الفضول. يتم وزن الدقة - تعديل الثقة في قنوات الاستشعار أو الأوليات بناءً على الموثوقية المستنبطة - بشكل متكرر في هذا العمل، على النحو المحدد في مخططات البتا-بقايا الخاصة بفراري لفحص التعويض عن المستشعرات المعيبة. يتم مناقشة الهياكل متعددة المستويات الهرمية (على سبيل المثال، تفضيلات الفضاء المكاني للمهمة مقابل إجراءات الفضاء المفصل) بشكل مفهوم ولكن التنفيذات الهرمية الملموسة نادرة إلى حد كبير ومحدودة في الغالب في المحاكاة.
مسائل مفتوحة
تحدد التقرير خمسة مجالات غير المحلولة تتطلب المزيد من الأدلة: قابلية التوسع لتقييم طاقة الطاقة المتوقعة في الروبوتات عالية الأبعاد وفي الوقت الفعلي (تم معالجتها حتى الآن فقط في المحاكاة بواسطة "Scaling active inference" preprint)؛ تحديد نماذج توليدية متماسكة التي توازن بين الفيزياء المصممة يدويًا والمكونات المكتسبة؛ اختبار مقارن منهجي بين الرأس إلى الأعلى ضد وحدات التحكم الكلاسيكية والتعلم العميق، ولا يوجد حتى الآن مجموعة معيارية للاختبار (على غرار مجموعات RL الخاصة بـ MuJoCo)؛ السلامة والقوة في ظل التغير التوزيعي، حيث تقترح إطار عمل DR-FREE الخاص بـ Zorzi et al. (تحسين طاقة الطاقة لتقليل الغموض في مجموعة من النماذج) ولكنه لم يتم تطبيقه بعد على الروبوتات المادية؛ واعتماد المؤسسة، نظرًا لأن أدوات الاستدلال النشط لا تزال أقل نضجًا من مجموعات ROS أو مجموعات التعلم العميق. يحذر التقرير صراحةً أن العديد من الادعاءات تستند إلى نتائج وصفية أو تجريبية مبكرة بدلاً من المقارنات المنهجية.
إطار مرجعي
Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2015). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2015.09.001. Pablo Lanillos, Cristian Meo, Corrado Pezzato, et al. (2021). Active Inference in Robotics and Artificial Agents: Survey and Challenges. arXiv. DOI: 10.48550/arXiv.2112.01871. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.