ارائه یک معماری شناختی ارتقاء یافته برای بهینه سازی سرعت تصمیم گیری در ربات های شناختی

وجود مسائل پیچیده در محیط، انسان این انتظار را ایجاد می کند تا ابزارها پیشرفته تر و هوشمندتر شوند. انسان همواره سعی دارد تا با الهام گیری از طبیعت سطح طراحی و هوشمندی این ابزارها را بالا ببرد. این ابزارهای ارتقا یافته، امروزه به نام های ماشین یا ربات شناخته می شوند. گرچه ربات ها می توانند به صورت خودکار وظایف تعیین شده را انجام دهند، اما به علت نداشتن ساختاری مناسب برای شناخت و تصمیم گیری بدون اختیار و استقلال در محیط عمل می کنند. رباتیک شناختی، رشته ای است که بینش ها و روش ها را از هوش مصنوعی و همچنین علوم شناختی و زیست شناسی تا رباتیک را ترکیب می کند. یکی از چالش های توانایی تصمیم گیری در ربات های شناختی تصمیم گیری سریع است. در این مقاله با ارائه ی یک معماری شناختی ارتقاء یافته به نام MCCA به حل این چالش مهم پرداخته شده است. این کار با تجزیه و تحلیل توانایی های شناختی اصلی و با استفاده از مدل های محاسباتی ارائه شده در هوش مصنوعی مدل سازی شده است. سپس اقدام به پیاده سازی معماری شناختی MCCA شده و با استفاده از یک محیط مجازی عملکرد آن ارزیابی و در نهایت اعتبارسنجی شده است. ارزیابی ربات شناختی در محیط، نشان می دهد اگر تنها از یادگیری تقویتی در این محیط جزئی مشاهده پذیر استفاده شود، مجموع پاداش های دریافتی به ۴۴- پاداش می رسد؛ اما با استفاده از معماری شناختی MCCA، نه تنها تعداد مجموع پاداش های به دست آمده از محیط تا مقدار ۱۲۳ افزایش می یابد بلکه تعداد رویدادهای محیط نیز برای رسیدن عامل به شناخت کافی و انتخاب بهترین عمل ها به کمتر از ۱۰۰ رویداد می رسد. این ارزیابی نشان می دهد نه تنها معماری شناختی MCCA در بهینه سازی تصمیم گیری عامل موفق بوده، بلکه سرعت تصمیم گیری آن را نیز افزایش داده است.

کلیدواژه ها:

تصمیم گیری رباتیک ، شناختی معماری ، شناختی یادگیری تقویتی ، یادگیری عمیق