Computational and Robotic Models of the Hierarchical Organization of Behavior

روبات‌های فعلی و سایر سیستم‌های مصنوعی معمولاً تنها قادر به انجام یک کار واحد هستند. غلبه بر این محدودیت مستلزم توسعه معماری‌های کنترلی و الگوریتم‌های یادگیری است که می‌توانند از کسب و به کارگیری چندین مهارت مختلف پشتیبانی کنند، که به نظر می‌رسد به یک سازمان مدولار و سلسله مراتبی نیاز دارد. به این ترتیب، ماژول‌های مختلف می‌توانند مهارت‌های متفاوتی را بدون تداخل فاجعه‌بار کسب کنند و اجزای سطح بالاتر سیستم می‌توانند با بهره‌برداری از مهارت‌های محصور شده در ماژول‌های سطح پایین، وظایف پیچیده را حل کنند. در حالی که یادگیری ماشین و رباتیک اهمیت بنیادی سازماندهی سلسله مراتبی رفتار را برای ساخت ربات‌هایی که برای حل وظایف پیچیده افزایش می‌یابند تشخیص می‌دهند، تحقیقات در روان‌شناسی و علوم اعصاب شواهد فزاینده‌ای نشان می‌دهد که مدولار بودن و سلسله مراتب، اصول سازمانی محوری رفتار و مغز هستند. آنها حتی ممکن است منجر به کسب تعداد فزاینده ای از مهارت ها شوند که به نظر می رسد ویژگی پستانداران و به ویژه انسان است.

این کتاب مروری جامع از وضعیت هنر است. در مورد مدل‌سازی سازمان سلسله مراتبی رفتار در حیوانات، و در مورد بهره‌برداری از آن در کنترل‌کننده‌های ربات. دیدگاه کتاب بسیار بین رشته‌ای است و مدل‌های متعلق به همه حوزه‌های مرتبط، از جمله یادگیری ماشین، رباتیک، شبکه‌های عصبی، و مدل‌سازی محاسباتی در روان‌شناسی و علوم اعصاب را نشان می‌دهد. فصل‌های کتاب جدیدترین مشارکت‌های نویسندگان در بررسی رفتار سلسله مراتبی را بررسی می‌کنند و سؤالات باز و امیدوارکننده‌ترین جهت‌های تحقیق را برجسته می‌کنند. از آنجایی که نویسندگان مشارکت‌کننده از جمله پیشگامانی هستند که کارهای اساسی را روی این موضوع انجام می‌دهند، این کتاب مهم‌ترین و موضوعی‌ترین موضوعات در این زمینه را از منظری با اطلاعات محاسباتی و نظری گرا پوشش می‌دهد. این کتاب برای محققان دانشگاهی و صنعتی و دانشجویان تحصیلات تکمیلی در رشته های مرتبط مفید خواهد بود.

Current robots and other artificial systems are typically able to accomplish only one single task. Overcoming this limitation requires the development of control architectures and learning algorithms that can support the acquisition and deployment of several different skills, which in turn seems to require a modular and hierarchical organization. In this way, different modules can acquire different skills without catastrophic interference, and higher-level components of the system can solve complex tasks by exploiting the skills encapsulated in the lower-level modules. While machine learning and robotics recognize the fundamental importance of the hierarchical organization of behavior for building robots that scale up to solve complex tasks, research in psychology and neuroscience shows increasing evidence that modularity and hierarchy are pivotal organization principles of behavior and of the brain. They might even lead to the cumulative acquisition of an ever-increasing number of skills, which seems to be a characteristic of mammals, and humans in particular.

This book is a comprehensive overview of the state of the art on the modeling of the hierarchical organization of behavior in animals, and on its exploitation in robot controllers. The book perspective is highly interdisciplinary, featuring models belonging to all relevant areas, including machine learning, robotics, neural networks, and computational modeling in psychology and neuroscience. The book chapters review the authors' most recent contributions to the investigation of hierarchical behavior, and highlight the open questions and most promising research directions. As the contributing authors are among the pioneers carrying out fundamental work on this topic, the book covers the most important and topical issues in the field from a computationally informed, theoretically oriented perspective. The book will be of benefit to academic and industrial researchers and graduate students in related disciplines.