رباتیک شناختی ( انگلیسی: Cognitive robotics ) در واقع به ارائه رفتار رفتار هوشمند و ارائه یک معماری پردازشی به یک ربات گفته می شود، که به آن یاد می دهد که در پاسخ به اهداف پیچیده در دنیای پیچیده چگونه رفتار کند. رباتیک شناختی را می توان به عنوان شاخه مهندسی دانش شناختی مجسم شده و در شناخت گنجانده شده در نظر گرفت.
در حالی که رویکردهای مدل سازی شناختی سنتی، طرح های کدگذاری نمادین را به عنوان ابزاری برای نمایش جهان در نظر گرفته اند، ترجمه جهان به این گونه نمایش های نمادین، در صورتی که غیرقابل دفاع باشد، مسئله آفرین است. پس فلسفه ادراک، شناخت حرکتی و تصور نمایش نمادین موضوعات اصلی هستند که باید در رباتیک شناختی بررسی شوند.
نقطه شروع برای توسعه پردازش اطلاعات رباتیک در رباتیک شناختی، شناخت حیوانی می باشد که بر خلاف تکنیک های سنتی در هوش مصنوعی است. توانایی شناختی رباتیک هدف شامل پردازش ادراک، تخصیص توجه، پیش بینی، برنامه ریزی، هماهنگی حرکتی پیچیده، استدلال در مورد عوامل دیگر و شاید حتی در مورد حالات ذهنی خودشان است. شناخت رباتیک وضع مؤلفه های هوشمند در جهان فیزیکی را نشان می دهد. در نهایت نکته مهم این است که ربات باید در دنیای واقعی کار کند.
یکی از تکنیک های اولیه یادگیری ربات، که حرف زدن موتور نامیده می شود، شامل ارتباط حرکات موتور پیچیده شبه تصادفی توسط ربات با بازخورد بصری و / یا شنیداری است و این ربات می تواند انتظار یک الگوی بازخورد حسی را داشته باشد که الگوی خروجی موتور را نشان می دهد. بازخورد مناسب برای اطلاع از سیگنال کنترل موتور مورد استفاده است. با یک مثال فهم این موضوع ساده تر می شود. این مورد دقیقاً مثل نوع یادگیری کودک است به خصوص زمان هایی که برای اولین بار می خواهد دنبال اشیا بگردد یا صداها و گفتارهایی را برای اولین بار بگوید. برای سیستم های رباتی ساده تر، برای مثال سینماتیک معکوس، که برای تبدیل بازخورد پیش بینی شده ( نتیجه موتور مورد نظر ) به خروجی موتور مورد استفاده قرار گیرد، ممکن است حذف شود.
این روش زمانی مورد استفاده قرار می گیرد که یک ربات موتورهای خود را برای تولید یک نتیجه مطلوب هماهنگ کند. در ابتدا ربات عملکرد یک ربات دیگر را نظارت می کند و پس از آن سعی می کند از آن تقلید کند. تقلید یک رفتار شناختی است و لزوماً در مدل حیوانات نیست.
کسب دانش مستقل یک رویکرد یادگیری پیچیده است. ربات در این حالت می خواهد به کشف محیط اطراف خود بپردازد. این سیستم برای اهداف و باورها برنامه ریزی شده است. الگوریتم کنجکاوی مثل کنجکاوی هوشمند یا انگیزه ذاتی می تواند یک روش هدایت شده را به دست آورد. این الگوریتم ها معمولاً شامل ورود حسی به تعداد محدودی از دسته ها و اختصاص برخی از سیستم های پیش بینی ( مانند یک شبکه عصبی مصنوعی ) به هر کدام است. سیستم پیش بینی شده در طول زمان، خطای پیش بینی های خود را حفظ می کند. کاهش خطای پیش بینی به عنوان یادگیری در نظر گرفته می شود. سپس ربات به ترتیب مقوله هایی را بررسی می کند که در آن یادگیری ( یا کاهش خطای پیش بینی ) سریعترین است.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفدر حالی که رویکردهای مدل سازی شناختی سنتی، طرح های کدگذاری نمادین را به عنوان ابزاری برای نمایش جهان در نظر گرفته اند، ترجمه جهان به این گونه نمایش های نمادین، در صورتی که غیرقابل دفاع باشد، مسئله آفرین است. پس فلسفه ادراک، شناخت حرکتی و تصور نمایش نمادین موضوعات اصلی هستند که باید در رباتیک شناختی بررسی شوند.
نقطه شروع برای توسعه پردازش اطلاعات رباتیک در رباتیک شناختی، شناخت حیوانی می باشد که بر خلاف تکنیک های سنتی در هوش مصنوعی است. توانایی شناختی رباتیک هدف شامل پردازش ادراک، تخصیص توجه، پیش بینی، برنامه ریزی، هماهنگی حرکتی پیچیده، استدلال در مورد عوامل دیگر و شاید حتی در مورد حالات ذهنی خودشان است. شناخت رباتیک وضع مؤلفه های هوشمند در جهان فیزیکی را نشان می دهد. در نهایت نکته مهم این است که ربات باید در دنیای واقعی کار کند.
یکی از تکنیک های اولیه یادگیری ربات، که حرف زدن موتور نامیده می شود، شامل ارتباط حرکات موتور پیچیده شبه تصادفی توسط ربات با بازخورد بصری و / یا شنیداری است و این ربات می تواند انتظار یک الگوی بازخورد حسی را داشته باشد که الگوی خروجی موتور را نشان می دهد. بازخورد مناسب برای اطلاع از سیگنال کنترل موتور مورد استفاده است. با یک مثال فهم این موضوع ساده تر می شود. این مورد دقیقاً مثل نوع یادگیری کودک است به خصوص زمان هایی که برای اولین بار می خواهد دنبال اشیا بگردد یا صداها و گفتارهایی را برای اولین بار بگوید. برای سیستم های رباتی ساده تر، برای مثال سینماتیک معکوس، که برای تبدیل بازخورد پیش بینی شده ( نتیجه موتور مورد نظر ) به خروجی موتور مورد استفاده قرار گیرد، ممکن است حذف شود.
این روش زمانی مورد استفاده قرار می گیرد که یک ربات موتورهای خود را برای تولید یک نتیجه مطلوب هماهنگ کند. در ابتدا ربات عملکرد یک ربات دیگر را نظارت می کند و پس از آن سعی می کند از آن تقلید کند. تقلید یک رفتار شناختی است و لزوماً در مدل حیوانات نیست.
کسب دانش مستقل یک رویکرد یادگیری پیچیده است. ربات در این حالت می خواهد به کشف محیط اطراف خود بپردازد. این سیستم برای اهداف و باورها برنامه ریزی شده است. الگوریتم کنجکاوی مثل کنجکاوی هوشمند یا انگیزه ذاتی می تواند یک روش هدایت شده را به دست آورد. این الگوریتم ها معمولاً شامل ورود حسی به تعداد محدودی از دسته ها و اختصاص برخی از سیستم های پیش بینی ( مانند یک شبکه عصبی مصنوعی ) به هر کدام است. سیستم پیش بینی شده در طول زمان، خطای پیش بینی های خود را حفظ می کند. کاهش خطای پیش بینی به عنوان یادگیری در نظر گرفته می شود. سپس ربات به ترتیب مقوله هایی را بررسی می کند که در آن یادگیری ( یا کاهش خطای پیش بینی ) سریعترین است.
wiki: رباتیک شناختی