Active Inference Institute Act. Infer. Serve.
KO

이 페이지는 기계 번역된 영어 페이지입니다. 영어 원본 보기

로봇 공학자, 활동적 인퍼 encing 연구자 및 조작을 평가하는 컨트롤 엔지니어들이 하나의 감각-조작-사용 학습 아키텍처가 전통적인 제어과 강화 학습보다 우수하거나 보완할 수 있는지를 검토하고 있습니다.

적극적인 인ferencing과 로봇ics

로봇은 체계적 불확실성에bound된 인체화 감각자와 행동자로서 에타스프리 에너지 최소화의 자연적인 테스트베드다

Project repositoriesActive Inference overview

이 페이지에서

적극적인 인ferencing과 로봇ics 가이드

최선의 다음 행동

{Active Inference 및 로봇학 경로}

이 페이지의 가장 강력한 신호 공공 링크부터 시작하고, 관련 자원 및 디렉토리 뷰를 계속 살펴보세요.

Project repositoriesProjectsActive Inference overview필터링된 자원글로벌 디렉토리활성 추론Act. Infer. and Entomology

로봇은 무언계의 다중 모달 센서와 불완전 액터를 사용하여 불확실성 하에서 지속적으로 감지, 행동하고 학습하며 — 이론적 원칙이 형성된 조건을 정확히 묘사합니다. 자유 에너지 원칙. 활동적인 인퍼런스가 로봇 시스템의 상태 추정, 제어, 계획 및 모델 학습을 통합하는 방법으로 주제를 다루는 아직 흩어진 문헌이 증가하고 있습니다. 이론적 논문, 가상의 개념 검증, 물리적인 인공 인간oid과 매니пу레이터에 대한 실험 등. 이 페이지는 그 문헌의 적용 패턴, 이름 붙인 도구와 연구실, 그리고 보다 정교한 동작으로부터 공개 문제를 연결하는 강력한 표명을 통합하는 방법을 설명합니다. routinely deployed engineering methodology.

{domain}가 맞는 이유 무엇인가요

Active inference는 각각의 추정 (Kalman/파티클 필터), 제어 (LQR, MPC, PID) 그리고 점점 더 강화학습을 포함하여 분리된 모듈로 해결되는 이 세 가지를 하나의 생성모델 아래에서 근사 베이지안 추론으로 바꾸고, 감각과 학습에 대한 조기 자유 에너지를 최소화하며, epistemic (정보 얻음)과 pragmatic (목표 만족) 가치를 교환하는 expected free energy을 행동 선택에 사용합니다. Lanillos와 동료들은 이 개념적인 통일이 왜 로봇이 테스트베드가 되는지 이해하는데 도움이 된다고 주장합니다: 그들은 감지 가능한 센서 스트림에서 숨겨진 변수 (체형, 물체 상태, 동력)에 대한 믿음을 유지해야 하며, 관측 결과를 모델의 기대 범위 내로 유지하기 위해 행동을 선택해야 합니다. Millidge와 다른 사람들의 제어가 추론이라는 문헌 분석은 특정 조건 하에서, active inference 정책이 표준적 최적 제어 또는 RL 솔루션으로 귀결될 수 있음을 보여주며, 이전 컨트롤러를 자유 에너지 최소화의 특수한 경우로 읽을 수 있습니다.

문헌에서의 패턴

génériques 모델은 로봇ics 구현에서 일반적으로 알려진 물리학과 kinematics에 기반하여 학습된 end-to-end가 아닌 구조화됩니다 humanoid 몸체 인식 작업은 전방 kinematics와 multimodal (시각/프로포지션스피어네이셔널) 관측 모델을 인코딩하고, 제어러는 joint dynamics, inertial 및 contact forces를 인코딩합니다. 그러면 에측된 자유 에너지는 정책 선택을 이驱動하며, Pezzato, Ferrari, Hernández의 적응형 제어러 (IEEE Robotics and Automation Letters에서 출판)는 동적 불확실성과 센서 오류에 온라인으로 적응하고, Baioumy 등이 보여준 공중 균형 앤제이는 에측된 자유 에너지가 genuinely의사진, 호기심 유형의 행동을 일으킵니다. 정밀도 가중치는 인과성 신뢰성을 기반으로 감시 센서 채널이나 priors에 대한 신뢰를 조정하는 것이 반복됩니다 이 작업에서 특히, Ferrari 그룹의 베타- residuals 스케줄이 부동 센서 보상 및 제어로 사용됩니다. 고급 다수-level 아키텍처는 개념적으로 논의되지만, 구체적인 하위 구조 구현은 흔하지 않고 대개 시뮬레이션에 국한되어 있습니다.

키 프로젝트와 도구

pymdp는 보고서의 하나인 일반화 가능한 소프트웨어 라이브러리입니다 이는 오픈소스 Python 패키지로,離散 상태 (POMDP) 활동적 인ference를 소개하는 PubMed 인덱싱 단계별 가이드라인을 통해 개발되었습니다. Delft 대학의 Riccardo Ferrari 그룹은 가장 지속적인 제어기 조작 작업을 수행했습니다 - 적응형 컨트롤러, 통합 상태 추정/제어/사용자 학습 (ICRA 2021), 전통적 제어에 대한 무향 활동적 인ference (IROS 2022) 및 베타-잔여 오류tolerance - 코드가 Riccardo Ferrari의 연구 사이트에서 참조됩니다. Pablo Lanillos와 협력자 (TU Munich과 일본 기반 파트너들)는 로봇인간을 위한 체감, 손에 대한 조작 및 자기/다른 인간에 대한 구별을 이끄는 활동적 인ference와 신경망 전방 모델을 결합한 하노이 선인들을 이끌고 있습니다. Bristol Robotics Lab과 활동적인 감각 실험실은 베이지안 활동 검사 타ching 탐색 시스템 (손가락 배열, 턱)을 제공하며, 이는 활동적 인ference 원칙을 무언의 형태로 embody하지만 항상 그를 그렇게 정형화하지 않습니다. Verses AI의 블로그 포스트는 초기 산업 관심을 나타내지만, 그것은 명백히 임원지에 의해 검토되지 않은 것으로 표시됩니다.

오픈 문제

The 보고서는 아직 실시간 고차원 로봇에 대한 예상 자유 에너지 평가의 확장성과, 손으로 만든 물리학과 학습된 구성 요소를 균형잡힌 방법으로 모델링을 정의하는 원칙적인 생성 모델 지정, 클래식 컨트롤러와 깊은 RL에 대한 systematic head-to-head benchmarking, 분포 변화 하에서 안전性和 강건성을 위한 Zorzi et al.의 DR-FREE 프레임워크 (모델의 모호성 집합에서 자유 에너지 최소화를 보강), 그리고 기관의 adopiton이 아직 미흡한 상태이며, ROS나 깊은 학습 스택보다 훨씬 덜 발달된 활동적 인ference 도구 체계로 인해 이러한 문제들이 해결되지 않았습니다. 보고서는 명확성이나 증명의 원리 결과에 기반한 많은 주장이 systematic comparison에 대한 systematic comparison가 아직 이루어지지 않았음을 명시적으로 경고합니다.

참조 뱅크로스

크리스토프 레이슬, 과니아노 페조루, 카를 오. 프리손 (2022). 활동적 인퍼전: 자유 에너지 원칙의 정신, 뇌 및 행동. MIT 출판사. 과니아노 페조루, 프레소파 리고, 카를 오. 프리손 (2017). 활동적 인퍼전, 자기 조절과 적응형 행동 제어. 신경생물학 진보. DOI: 10.1016/j.pneurobio.2017.08.001. 팔보 라니올스, 크리스토반 메오, 캐르로 아. 프레조타, 업(2021). 로봇과 인공_agent의 활동적 인퍼전: 조사와 도전. arXiv. DOI: 10.48550/arXiv.2112.01871. 라네스토 드아코스타, 토마스 파르, 노어 사제드, 세바스티안 베시엘릭, 비조타이트 네아쿠수, 카를 오. 프리손 (2020). 이산 상태공간에서의 활동적 인퍼전: 병합. 신경심리학자 학술지. DOI: 10.1016/j.jmp.2020.102447.

주요 표면

{Active Inference 및 로봇ics 한눈에}

유니 fused inference 루프

적응적 인ference는 하나의 생성 모델 아래에서 단일 범정규화 자유 에너지 최소화로 상태 추정, 제어 및 학습을 재설정하여 독립적으로 손으로 맞추어진 블록 대신

정밀성 가중치 Fault Tolerance

바이타 러시벌 학습이 센서 오류에 대처하면서 실시간으로 불신靠 센서 채널을 가중치를 줄여 매니퓰레이터 컨트롤러의 성능을 유지합니다.

混합된証拠品質

발견은 학회지 연구(work)와 인용되지 않은 미리 편집(preprint) 또는-industry blog post(verses ai) 사이에 걸쳐 있으며, 아직 활동적 인퍼전을 클래식 제어나 RL과 비교하는 표준화된 시험 세트가 없습니다.

관련 자료

이 페이지의 공개 링크

외부 링크는 공유 레지스트리에서 해결되므로 방문자용 목적지는 중앙 집중화되고 확인 가능합니다.

Repository / Projects

GitHub organization

Audience: Developer

Public GitHub organization for Institute repositories and open-source work.

projectsgithub-org
ProjectsPrograms

관련 페이지

사이트를 계속 탐색하세요.

신입생, 학습자, 연구원, 개발자, 협력자 활성 추론

Active Inference은 연구소 교육, 연구, 응용 프로그램 및 생태계 지원의 중심 과학적 실용 프레임워크입니다.

 연구자, 벌학자 및 인스티튜트 참석자들이 활동적 인ference를 벌 신경과학, 사회적 행동 및 군집 로봇ics에 응용하는 데 관심이 있습니다. Act. Infer. and Entomology

Entomology는 기생충 뇌에서 단일-neuron 계산부터 사회적 동물 군집 수준의 집단 지능까지 다양한 범위를 포괄하는 활동적인 인퍼전과 자유 에너지 원칙을 테스트하기에 이상적이며, 이는 행동 추적, 전기화학적 측정 및 분자 생물학 데이터셋으로부터 얻어진 밀도 높은 데이터를 포함합니다. 이 페이지는 활동적인 인퍼전과 애벌레 군집, 메추리 포그aging 그리고 기생충 신경과학에 대한 임상적 문헌을 연결하는 새로운 연구와 시뮬레이션 및 이론을 구분합니다.

 동물생态학자, 계산생명과학자 및 동물-환경 결합, 뉴洽성, 그리고 지구시스템 안정성을 연구하는 다스케일 모델에 관심 있는 Active Inference 연구자들 활生生한 활동적 추론

환경 시스템 — 종사군, 생물학적 군체, 환경 그리고 전체 생태계 자체 —은 상호작용하는 하위 시스템들이 시간 동안 안정적인 마크로 상태를 유지하면서 경계를 통해 물질과 에너지를 교환되는 구조를 가지고 있다. 이 구조는 자유 에너지 원칙을 기반으로 하는 마르코프 맨틀과 베이지안 메카니즘의 형식화와 매우 유사하다. 이러한 이유로 "변동 생태학"이라는 연구 프로그램이 나타나고 있으며, 동물과 그 환경을 결합된 추론 시스템으로 모델링하는 것을 목표로 하고 있다. 여기서는 이 문헌은 이론과 시뮬레이션보다 현장 데이터에 중점을 둔다: 이 페이지는 개념적 기반, 연구자들이 사용하고 있는 모델 패턴, 도구의 범위 그리고 아직도 해당 분야가 닫아야 하는 실험적 틈을 조망한다.