発達ロボット

発達ロボティクス（DevRob）は、エピジェネティックロボティクスとも呼ばれ、具現化された機械における新しいスキルや新しい知識の生涯にわたる無制限の学習を可能にする発達のメカニズム、アーキテクチャ、制約を研究することを目的とした科学分野です。人間の子供と同様に、学習は累積的で次第に複雑性が増し、社会的相互作用と組み合わされた世界の自己探索から生じることが期待されています。一般的な方法論的アプローチは、発達心理学、神経科学、発生・進化生物学、言語学などの分野で詳述された人間と動物の発達理論から始まり、それらを形式化してロボットに実装し、時にはそれらの拡張や変形を探索することです。ロボットでそれらのモデルを実験することで、研究者はそれらを現実と向き合うことができ、その結果、発達ロボティクスは人間と動物の発達理論に関するフィードバックと新しい仮説も提供します。

発達ロボティクスは進化ロボティクス(ER)と関連がありますが、異なります。ER では、時間の経過とともに進化するロボットの集団を使用しますが、DevRob では、単一のロボットの制御システムの組織が経験を通じて時間の経過とともにどのように発展するかに関心があります。

DevRob は、ロボット工学や人工生命の分野で行われる作業にも関連しています。

ロボットは子供のように学習できるのか？ 設計時に指定されていなかったさまざまな新しいスキルや新しい知識を、部分的に未知で変化する環境で学習できるのか？ ロボットはどのようにして自分の身体や物理的および社会的環境との関係を発見できるのか？ ロボットが「工場から出た」後、エンジニアの介入なしに認知能力を継続的に発達させるにはどうすればよいのか？ 人間との自然な社会的相互作用を通じてロボットは何を学習できるのか？ これらは、発達型ロボット工学の中心にある疑問です。アラン・チューリングやサイバネティクスの他の先駆者たちは、すでに 1950 年にこれらの疑問と一般的なアプローチを定式化していましたが^[1] 、体系的に調査され始めたのは 20 世紀末になってからです。^{[2] [3] [4]}

適応型知能機械の概念は発達ロボティクスの中心であるため、人工知能、機械学習、認知ロボティクス、計算神経科学などの分野と関係があります。しかし、これらの分野で開発された技術の一部を再利用する一方で、多くの観点からこれらの分野とは異なります。発達ロボティクスは、高度な記号推論の能力を前提とせず、抽象的な記号の問題ではなく、具体化され状況に応じた感覚運動および社会的スキルに焦点を当てているため、古典的な人工知能と異なります。認知ロボティクスと異なるのは、認知能力そのものではなく、認知能力の形成を可能にするプロセスに焦点を当てているためです。計算神経科学と異なるのは、発達と学習の統合アーキテクチャの機能モデリングに焦点を当てているためです。より一般的には、発達ロボティクスは次の 3 つの特徴によって独自に特徴付けられます。

1. これは、タスクに依存しないアーキテクチャと学習メカニズムを対象としています。つまり、マシン/ロボットは、エンジニアが知らない新しいタスクを学習できる必要があります。
2. それは、無限の発達と生涯学習、つまり生物が継続的に新しいスキルを習得する能力を強調します。これは、「何でも」あるいは「すべて」を学習する能力として理解されるべきではなく、習得したスキルのセットが少なくともいくつかの方向（すべてではない）に無限に拡張できるということだけを意味します。
3. 獲得した知識とスキルの複雑さは徐々に増加し（そしてその増加は制御される）、

発達ロボティクスは、具現化された人工知能、エンアクティブおよび動的システム認知科学、コネクショニズムなど、いくつかの研究コミュニティの交差点で生まれました。学習と発達は、脳、身体、およびそれらの物理的および社会的環境の間の動的相互作用の自己組織化の結果として起こるという基本的な考えから始まり、この自己組織化を利用して、ますます複雑化するスキルのタスクに依存しない生涯学習を提供する方法を理解しようとする発達ロボティクスは、発達心理学、発達および認知神経科学、発生生物学（発生学）、進化生物学、認知言語学などの分野と強く相互作用しています。これらの科学から生まれた理論の多くは言語的および/または記述的であるため、発達ロボティクスでは重要な形式化と計算モデリング活動が示唆されています。これらの計算モデルは、より多用途で適応性の高いマシンを構築する方法を探る方法としてだけでなく、それらの一貫性を評価し、生物学的発達を理解するための代替説明を探る方法として使用されます。^[4]

一般的なアプローチと方法論のため、発達ロボット工学プロジェクトでは通常、ロボットが人間の幼児と同じ種類のスキルを身に付けることに重点が置かれます。調査されている重要な最初のカテゴリは、感覚運動スキルの習得です。これには、手と目の協調、移動、物体との相互作用、道具の使用などの構造とダイナミクスを含む自分の体の発見が含まれ、特にアフォーダンスの発見と学習に重点が置かれます。発達ロボットがターゲットとするスキルの 2 番目のカテゴリは、社会的スキルと言語的スキルです。交代、協調的な相互作用、語彙、構文、文法などの単純な社会的行動ゲームの習得、およびこれらの言語スキルを感覚運動スキルにグラウンディングすること (シンボル グラウンディングと呼ばれることもあります) です。並行して、自己/非自己の区別の出現、注意力の発達、分類システムとアフォーダンスまたは社会的構成の高レベル表現、価値観、共感、心の理論の出現など、関連する認知スキルの獲得についても調査されています。

人間とロボットが暮らす感覚運動と社会空間は非常に大きく複雑であるため、生涯で実際に探求し習得できるのは、潜在的に学習可能なスキルのほんの一部にすぎません。したがって、発達中の生物の発達を導き、複雑性の成長を制御するには、メカニズムと制約が必要です。発達ロボット工学で研究されているこれらのガイドメカニズムと制約には、人間の発達にヒントを得たいくつかの重要なファミリーがあります。

1. 動機付けシステムは、探索と学習を促す内部報酬信号を生成します。動機付けシステムには、主に次の 2 つのタイプがあります。
   • 外発的動機は、ロボットや生物に、食料や水位、物理的完全性、光（例：光屈性システム）などの基本的な特定の内部特性を維持するように促します。
   • 内発的動機は、ロボットに目新しさ、挑戦、圧縮、または学習の進歩そのものを探すように促し、好奇心主導の学習と探索、あるいは能動的な学習と探索と呼ばれるものを生み出します。
2. 社会的ガイダンス: 人間は仲間との交流を通じて多くのことを学ぶため、発達ロボット工学では、ロボットが人間のような社会的交流に参加できるようにするメカニズムを調査します。社会的合図を認識して解釈することで、ロボットは人間から学習し (模倣、エミュレーション、刺激の強化、デモンストレーションなどのさまざまな手段を通じて)、自然な人間の教育を誘発できるようになります。したがって、発達ロボットの社会的受容も調査されます。
3. 統計的推論バイアスと累積的な知識/スキルの再利用: 表現/エンコードと推論メカニズムの両方を特徴付けるバイアスは、通常、学習の効率を大幅に向上させることができるため、研究されています。これに関連して、以前に学習した構造を再利用することで新しい知識を推論し、新しいスキルを習得できるようにするメカニズムも重要な研究分野です。
4. 形状、材質、または生来の運動原始的要素/相乗効果などの身体化の特性は、動的システムとしてコード化されることが多く、感覚運動または社会的スキルの獲得を大幅に簡素化できるため、形態学的計算と呼ばれることもあります。これらの制約と他の制約との相互作用は、調査の重要な軸です。
5. 成熟の制約: 人間の乳児は、出生時にすでに成熟しているのではなく、身体と神経系の両方が徐々に成長します。これは、たとえば、学習と発達が進むにつれて、新しい自由度や、利用可能な感覚運動信号の量と解像度の増加が現れる可能性があることを意味します。これらのメカニズムを発達ロボットに移植し、それが新しい複雑なスキルの習得を妨げたり、逆に容易にしたりする可能性があることを理解することは、発達ロボット工学の中心的な課題です。

発達ロボット工学のプロジェクトの多くは、動物や人間の発達理論と密接に関係していますが、特定された生物学的メカニズムとロボットの対応物との間の類似点やインスピレーションの度合い、およびモデリングの抽象化レベルは大きく異なる場合があります。Neurorobotics などの一部のプロジェクトでは、機能と生物学的実装 (神経モデルまたは形態モデル) の両方を正確にモデリングすることを目指していますが、他のプロジェクトでは、上記のメカニズムと制約の機能モデリングのみに焦点を当て、たとえば、応用数学や工学分野の技術をアーキテクチャで再利用する場合があります。

発達ロボットは比較的新しい研究分野であると同時に非常に野心的なため、解決すべき基本的な課題が数多く残っています。

まず第一に、既存の技術では、現実世界の高次元ロボットが生涯にわたってますます複雑化するスキルの無限のレパートリーを学習できるほどにはほど遠い。高次元の連続感覚運動空間は、解決すべき大きな障害となっている。生涯にわたる累積学習も、もう 1 つの障害である。実際、これまでに数日以上続く実験は設定されておらず、これは、既存の計算メカニズムよりもはるかに強力な脳と形態を備えた人間の幼児が基本的な感覚運動スキルを学習するために必要な時間とは大きく対照的である。

この目標に向かって前進するために探求すべき戦略の中で、前のセクションで説明したメカニズムと制約の相互作用をより体系的に調査する必要があります。実際、それらはこれまで主に個別に研究されてきました。たとえば、成熟によって制約される可能性のある、内発的動機付け学習と社会的に導かれた学習の相互作用は、調査すべき重要な問題です。

もう 1 つの重要な課題は、人間とロボットのやり取り中に、非エンジニアの人間が提供する多様なマルチモーダルな社会的合図をロボットが認識、解釈、活用できるようにすることです。これまでのところ、これらの能力は、人間からの効率的な汎用的な指導を可能にするには大部分があまりにも限られています。

人間の発達にも同様に当てはまる、理解し解決すべき基本的な科学的問題は、感覚運動と社会構造のあらゆるレベルにおける構成性、機能的階層、プリミティブ、モジュール性が、発達の過程でどのように形成され、活用されるかということです。これは、言語習得に関して「シンボルグラウンディング問題」と呼ばれることもある、シンボルの出現の問題と深く結びついています。実際、脳におけるシンボルの存在と必要性自体が積極的に疑問視されており、依然として構成性と機能的階層を考慮した代替概念が研究されています。

生物学的エピジェネシスの過程では、形態は固定されず、感覚運動能力や社会的スキルの発達と常に相互作用しながら発達します。形態の発達はロボットにとって明らかな実際上の問題を引き起こしますが、少なくとも形態形成ロボットなどのシミュレーションでは、さらに研究されるべき重要なメカニズムである可能性があります。

もう一つの未解決の問題は、発達ロボット工学によって研究される主要な現象（階層的およびモジュール式の感覚運動システム、内発的/外発的/社会的動機、オープンエンド学習など）とその基礎となる脳のメカニズムとの関係を理解することです。

同様に、生物学では、発達メカニズム（個体発生の時間スケールで機能）は進化メカニズム（系統発生の時間スケールで機能）と密接に相互作用しており、これは盛んな「進化発生学」の科学文献で示されています。^[5] しかし、人工生物、特に発達ロボットにおけるこれらのメカニズムの相互作用は、まだ十分に研究されていません。進化メカニズム、形態の展開、感覚運動および社会的スキルの発達の相互作用は、発達ロボットの将来にとって非常に刺激的なトピックとなるでしょう。

• IEEE Transactions on Cognitive and Developmental Systems (旧称 IEEE Transactions on Autonomous Mental Development): https://cis.ieee.org/publications/t-cognitive-and-developmental-systems

• 開発と学習に関する国際会議: http://www.cogsci.ucsd.edu/~triesch/icdl/
• エピジェネティックロボティクス: https://www.lucs.lu.se/epirob/
• ICDL-EpiRob: http://www.icdl-epirob.org/ (上記 2 つは 2011 年から参加)
• 発達ロボット工学: http://cs.brynmawr.edu/DevRob05/

NSF/DARPA が資金提供した発達と学習に関するワークショップが、2000 年 4 月 5 日から 7 日までミシガン州立大学で開催されました。これは、ロボットと動物の精神発達をコンピューターで理解することに特化した初の国際会議でした。エージェントは発達中に活動するため、「by」という用語が使用されました。

• 進化発達ロボット
• ロボット学習

• IEEE認知発達システム技術委員会（CDSTC）は、以前はIEEE自律精神発達技術委員会として知られていました。[1]
• IEEE 認知ロボティクス技術委員会、https://www.ieee-ras.org/cognitive-robotics
• IEEE ロボット学習技術委員会、https://www.ieee-ras.org/robot-learning/

• ルンド大学認知科学 - ロボット工学グループ
• 米国インディアナ大学認知発達研究所
• ミシガン州立大学– エンボディド・インテリジェンス・ラボ
• Inria と Ensta ParisTech FLOWERS チーム、フランス: 発達ロボットにおける探索、インタラクション、学習
• 東京大学知能情報システム研究室
• IDSIAとミュンヘン工科大学のJuergen Schmidhuberの認知ロボット研究室
• LIRA-Lab、ジェノバ大学、イタリア
• ドイツ、ビーレフェルト大学の CITEC
• 南イリノイ大学カーボンデール校心理学部ビジョンラボ
• FIAS (J. Triesch 研究室)
• LPP、CNRS（K. Oregan 研究室）
• AIラボ、ソフトバンクロボティクスヨーロッパ、フランス
• アバディーン大学コンピュータサイエンス学部
• 大阪大学大学院工学研究科適応機械システム専攻 浅田研究室
• テキサス大学オースティン校、UTCSインテリジェントロボティクスラボ
• ブリンマー大学の開発ロボットプロジェクト: 米国ペンシルベニア州フィラデルフィアのスワースモア大学とブリンマー大学の教員と学生による研究プロジェクト
• ジャン プロジェクト: 南カリフォルニア大学情報科学研究所
• 海軍研究所の認知ロボット（かくれんぼを含む） 2010 年 8 月 8 日にWayback Machineにアーカイブされました
• マサチューセッツ大学アマースト校知覚ロボティクス研究所アマースト、米国
• プリマス大学ロボット工学・神経システムセンター プリマス、イギリス
• 計算身体神経科学研究所、認知科学技術研究所、イタリア、ローマ
• ニューロサイバネティックチーム、ETIS ラボ、ENSEA – セルジーポントワーズ大学 – CNRS、フランス
• フロリダ アトランティック大学、機械知覚および認知ロボット研究室、フロリダ州ボカラトン
• ドイツ、ベルリン・フンボルト大学、コンピュータサイエンス学部、適応システムグループ
• 東京大学認知発達ロボティクス研究室（永井研究室）

• RobotDoC プロジェクト (欧州委員会の資金提供)
• Italk プロジェクト (欧州委員会の資金提供)
• IM-CLeVeR プロジェクト (欧州委員会の資金提供)
• ERC 助成金 EXPLORERS プロジェクト (欧州研究会議の資金提供)
• RobotCub プロジェクト (欧州委員会の資金提供)
• Feelix 栽培プロジェクト (欧州委員会の資金提供)

DevRob の最初の学部課程は、2003 年春に、それぞれ Douglas Blank 氏と Lisa Meeden 氏によってBryn Mawr CollegeとSwarthmore Collegeで開講されました。DevRob の最初の大学院課程は、2005 年秋に Alexander Stoytchev 氏によって アイオワ州立大学で開講されました。