An Internal Model Principle For Robots

要約

ロボットの内部システムを設計するとき、ロボットの意図された環境の構造について仮定を立てることがよくあります。
予想される環境相関関係の観点から、ロボットのさまざまな内部コンポーネントに意味を割り当てることさえできるかもしれません。
この論文では、ロボットの内部世界と外部世界の区別を明確にしたいと考えています。
ロボットは、センサー データなどの内部で入手可能な情報のみに依存して、その環境について学習できますか?
内部で検証でき、ロボットの内部システムが環境の構造を反映できるようにする、ロボットの内部システムに関する数学的条件はありますか?
私たちは、十分性がそのような数学的原理であることを証明し、環境の内部構造と等価なロボットの内部構造の同型または二重シミュレーションの出現を数学的に説明します。
十分性が予期せぬ最小化の限界ケースとして解釈される場合、フリーエネルギー原理とのつながりが確立されます。
したがって、サプライズの最小化により、環境と同型の内部モデルが得られることを示します。
これは、システムを十分に適切に制御するということは、システムのモデルを持つことを意味するというグッドレギュレーターの原則とも一致します。
前述の理論とは異なり、私たちの理論は離散的で非確率的です。

要約(オリジナル)

When designing a robot’s internal system, one often makes assumptions about the structure of the intended environment of the robot. One may even assign meaning to various internal components of the robot in terms of expected environmental correlates. In this paper we want to make the distinction between robot’s internal and external worlds clear-cut. Can the robot learn about its environment, relying only on internally available information, including the sensor data? Are there mathematical conditions on the internal robot system which can be internally verified and make the robot’s internal system mirror the structure of the environment? We prove that sufficiency is such a mathematical principle, and mathematically describe the emergence of the robot’s internal structure isomorphic or bisimulation equivalent to that of the environment. A connection to the free-energy principle is established, when sufficiency is interpreted as a limit case of surprise minimization. As such, we show that surprise minimization leads to having an internal model isomorphic to the environment. This also parallels the Good Regulator Principle which states that controlling a system sufficiently well means having a model of it. Unlike the mentioned theories, ours is discrete, and non-probabilistic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google