Warum der Bereich passt
Klassische Robotik unterscheidet Zustandsabschätzung (Kalman-/Partikelfilter), Steuerung (LQR, MPC, PID) und zunehmend auch Verstärkendes Lernen, wobei jede dieser Bereiche als eigenständiges Modul gelöst wird. Active Inference betrachtet stattdessen alle drei als approximative Bayes'sche Inferenz unter einem einzigen generativen Modell, minimiert die Variationale Freie Energie für Wahrnehmung und Lernen sowie die erwartete Freie Energie – die einen Trade-off zwischen epistemischem (Informationsgewinn) und pragmatischem (Zielerreichungs-) Wert für die Aktionsauswahl darstellt. Lanillos et al. argumentieren, dass diese konzeptionelle Einheitlichkeit genau das ist, was Roboter zu idealen Testbetten macht: Sie müssen aufgrund unscharfer Sensordaten Überzeugungen über latente Variablen (Körperkonfiguration, Objektszustände, Dynamik) aufrechterhalten und handeln, um Beobachtungen innerhalb des erwarteten Bereichs ihres Modells zu halten. Millidge et al.'s Analyse der Literatur zur Steuerung als Inferenz zeigt darüber hinaus, dass unter bestimmten Annahmen Active-Inference-Richtlinien auf Standard-optimale Steuerung oder RL-Lösungen reduziert werden können, wodurch geklärt wird, wie bestehende Steuerungen als Sonderfälle der Freien Energie minimierung gelesen werden können.
Anwendungsmuster in der Literatur
Generative Modelle in Robotik-Implementierungen sind typischerweise auf bekannte Physik und Kinematik ausgerichtet, anstatt gelerntes End-zu-Ende zu verwenden: Menschliche Körperwahrnehmungsaufgaben kodieren Vorwärtskinematik und multimodale (visuelle/propriozeptive) Wahrnehmungsmodelle, während Manipulatorsteuerungen Gelenkdynamik, Trägheit und Kontaktkräfte kodieren. Erwartete freie Energie treibt die Richtungsfindung an – Der adaptive Manipulatorcontroller von Pezzato, Ferrari und Hernández (veröffentlicht in IEEE Robotics and Automation Letters) passt sich online dynamischer Unsicherheit und Sensorausfällen an, und Baioumy et al.'s Ball-Balancing-Agent zeigt erwartete freie Energie, die tatsächlich exploratives, neugieriges Verhalten hervorruft. Präzise Gewichtung – Anpassen des Vertrauens in sensorische Kanäle oder Vorannahmen basierend auf der abgeleiteten Zuverlässigkeit – tritt in dieser Arbeit wiederholt auf, insbesondere im Beta-Residuals-Schema von Ferraris Gruppe zur Erkennung und Kompensation fehlerhafter Sensoren. Hierarchische mehrstufige Architekturen werden konzeptionell diskutiert (z. B. Aufgabenraumpräferenzen gegenüber Gelenkraumaktionen), aber konkrete hierarchische Implementierungen sind selten und weitgehend auf Simulationen beschränkt.
Schlüsselprojekte und Werkzeuge
pymdp ist die eine benannte allgemeine Softwarebibliothek, ein Open-Source-Python-Paket für diskrete-Zustands-(POMDP)-aktive Inferenz, das über eine PubMed-indexierte Schritt-für-Schritt-Anleitung eingeführt wurde. Die Gruppe von Riccardo Ferrari an der TU Delft hat den nachhaltigsten Manipulator-Kontrollkörper der Arbeit hervorgebracht – den adaptiven Controller, die integrierte Zustands-Schätzung/Steuerung/Lernen (ICRA 2021), unvoreingenommene aktive Inferenz für klassische Steuerung (IROS 2022) und Beta-Resttoleranz – wobei der Code auf seiner Forschungshomepage referenziert wird. Pablo Lanillos und seine Kollegen (TUM und Japan-basierte Partner) leiten die humanoide Linie: Körperwahrnehmung und Greifen an einem physischen Humanoider sowie die Unterscheidung zwischen Spiegel-Selbst/Andere, die aktive Inferenz mit neuronalen Netzwerk-Vorwärtsmodellen kombiniert. Das Bristol Robotics Lab und das Active Touch Laboratory tragen Bayesian active-sensing taktile Erkundungssysteme (Fingertipparrays, Schnurrhaare) bei, die Prinzipien der aktiven Inferenz verkörpern, ohne sie immer formal zu gestalten, und der Blogbeitrag von Verses AI signalisiert frühes industrielles Interesse, obwohl er nicht durch eine Fachbegutachtung erfolgt ist.
Offene Probleme
Der Bericht identifiziert fünf ungelöste Bereiche, die weitere Beweise erfordern: Skalierbarkeit der erwartungsfreien Energiebewertung auf hochdimensionale, Echtzeit-Roboter (bisher nur in Simulation durch den Preprint "Scaling active inference") ; prinzipielle generativmodellierte Spezifikation, die handgefertigte Physik mit gelernten Komponenten ausbalanciert; systematische Kopf-an-Kopf-Vergleiche mit klassischen Controllern und Deep RL, für die noch keine standardisierte Benchmark-Suite (ähnlich wie MuJoCo-basierte RL-Suites) existiert; Sicherheit und Robustheit unter Verteilungsänderungen, wo der DR-FREE-Rahmen von Zorzi et al. (Verfeinerung der freien Energie minimierung über eine Mehrdeutigkeitsmenge von Modellen) vorgeschlagen wird, aber noch nicht auf physische Roboter angewendet wurde; und institutionelle Akzeptanz, da Active Inference Toolchains deutlich weniger ausgereift sind als ROS- oder Deep-Learning-Stacks. Der Bericht warnt ausdrücklich, dass viele Behauptungen auf qualitativen oder Beweis-der-Prinzip-Ergebnissen beruhen, anstatt systematischen Vergleichen.
Referenz-Grundgerüst
„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 (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. 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.