Loading article…
認知ロボティクス、あるいは認知技術とは、ロボットに知的な行動能力を与えることを目的としたロボティクスの分野であり、複雑な世界における複雑な目標に対して、ロボットがどのように行動すべきかを学習し、推論できるような処理アーキテクチャを提供することで、ロボットの知能化を目指します。認知ロボティクスは、ロボットプロセスオートメーション、人工知能、機械学習、深層学習、光学文字認識、画像処理、プロセスマイニング、分析、ソフトウェア開発、システム統合などから構成される、具現化された認知科学および具現化された組み込み認知の工学分野とみなすことができます。
従来の認知モデリング手法では、世界を描写する手段として記号符号化方式を前提としてきたが、世界をこうした記号表現に変換することは、不可能ではないにしても、問題が多いことが明らかになっている。したがって、知覚と行動、そして記号表現の概念は、認知ロボティクスにおいて取り組むべき重要な課題である。
認知ロボティクスは、従来型の人工知能技術とは異なり、人間や動物の認知をロボットの情報処理開発の出発点と捉えます。ロボットの認知能力の目標としては、知覚処理、注意配分、予測、計画立案、複雑な運動協調、他のエージェントに関する推論、そして場合によっては自身の精神状態に関する推論などが挙げられます。ロボットの認知は、物理世界（あるいは、シミュレーション認知ロボティクスの場合は仮想世界）における知能エージェントの行動を具現化したものです。最終的には、ロボットは現実世界で行動できなければなりません。
ロボットの予備的な学習手法である「モーターバブリング」は、ロボットによる擬似ランダムな複雑な運動と、それによって得られる視覚的および／または聴覚的なフィードバックを関連付けることで、ロボットが運動出力のパターンから感覚フィードバックのパターンを予測できるようにするものです。そして、望ましい感覚フィードバックを運動制御信号に反映させます。これは、赤ちゃんが物をつかむことや発話を学ぶ方法に似ていると考えられています。より単純なロボットシステム、例えば逆運動学を用いて予測されるフィードバック（望ましい運動結果）を運動出力に変換できるようなシステムでは、このステップは省略できます。
ロボットがモーターを協調させて望ましい結果を生み出せるようになると、模倣学習の手法が用いられるようになる。ロボットは他のエージェントの動作を監視し、そのエージェントを模倣しようとする。複雑な場面から模倣情報をロボットにとって望ましい運動結果へと変換することは、しばしば困難を伴う。なお、模倣は高度な認知行動の一形態であり、身体化された動物の認知の基本モデルにおいて必ずしも必要とされるものではないことに留意されたい。
より複雑な学習アプローチとしては、「自律的な知識獲得」がある。これは、ロボットが自ら環境を探索する方式である。通常、目標と信念の体系が存在することが前提とされる。
やや方向性のある探索モードは、インテリジェント適応型好奇心[ 1 ] [ 2 ]やカテゴリベース内発的動機付け[ 3 ]などの「好奇心」アルゴリズムによって実現できます。これらのアルゴリズムは一般的に、感覚入力を有限個のカテゴリに分割し、それぞれに何らかの予測システム（人工ニューラルネットワークなど）を割り当てます。予測システムは、時間の経過とともに予測の誤差を追跡します。予測誤差の減少は学習とみなされます。ロボットは、最も速く学習（または予測誤差の減少）しているカテゴリを優先的に探索します。
認知ロボティクス分野の研究者の中には、ACT-RやSoar（認知アーキテクチャ）などのアーキテクチャを認知ロボティクスプログラムの基盤として利用しようと試みている者もいる。これらの高度にモジュール化された記号処理アーキテクチャは、単純化された記号化された実験データをモデル化する際に、オペレーターのパフォーマンスや人間のパフォーマンスをシミュレートするために使用されてきた。その目的は、これらのアーキテクチャを拡張し、時間とともに連続的に展開する現実世界の感覚入力を処理できるようにすることである。必要なのは、世界を何らかの方法で記号とその関係性のセットに変換する方法である。
認知ロボット工学において解決すべき根本的な問題には、以下のようなものがある。