Raumgedächtnis und Navigationsfähigkeit in roboterimplementierter kognitiver Architektur

Die meisten kognitiven Computermodelle des menschlichen räumlichen Gedächtnisses berücksichtigen nur wenige, spezifisch kognitive Prozesse, anstatt sie in eine generelle kognitive Architektur zu integrieren. Bisher implementierte kognitive Architekturen beinhalten kein kognitiv plausibles Modell des räumlichen Gedächtnisses oder können dieses nicht für komplexe Navigations- und Planungsaufgaben in der realen Welt benutzen. Weiters gibt es derzeit kein kognitiv plausibles räumliches Gedächtnismodell, das in eine umfangreiche kognitive Architektur integriert ist, welches auch andere kognitive Mechanismen modelliert und in der physischen Welt zu agieren fähig ist. Das Ziel dieses Projektes besteht in der Entwicklung eines solchen kognitiven Modells von räumlichen Gedächtnis und Navigation. Dieses wird auf der LIDA (Learning Intelligent Distribution Agent) kognitiven Architektur basieren, mit dessen kognitiven Prozessen integriert sein, und in der physischen Welt durch die Implementation ("Embodiment") auf einem humanoiden PR2-Roboter mithilfe des CRAM (Cognitive Robot Abstract Machine) Kontrollsystems agieren können. Die LIDA-Architektur wird durch ein hierarchisches Raumgedächtnis-Modell erweitert, inspiriert durch die neurale Basis von räumlicher Kognition im Gehirn. Dieses Gedächtnismodul wird die Umgebung auf mehreren hierarchischen Gittern repräsentieren und mit anderen Modulen von LIDA, z.B. Arbeitsgedächtnis, Aufmerksamkeit und Entscheidungsfindung integriert werden, um Navigation und Planung aufgrund räumlicher Karten zu ermöglichen. Die resultierende Architektur wird auf einem humanoiden Roboter implementiert, um die kognitive Plausibilität des Modells durch Vergleiche mit menschlichen Versuchsdaten zu überprüfen. Diese Implementierung wird durch die Entwicklung einer Schnittstelle zwischen LIDA verantwortlich für kognitive Prozesse auf einer hohen Ebene und CRAM verantwortlich für Hardwarekontrolle, visuelle Objekterkennung und Ausführung von Motorbefehlen erfolgen. Die Implementierung des Modells in der realen Welt ermöglicht außer Plausibilitätsverifikation auch einen biologisch inspirierten Ansatz zur Kartierung der Umgebung, der nicht auf teure Sensoren angewiesen ist, durch den hierarchischen Aufbau sogar bei großen Umgebungen effizient skaliert, und mit wichtigen kognitiven Funktionen integriert ist, z.B. Planung und Aufmerksamkeit. Die Fähigkeit des Modells, in der realen Welt zu agieren, und seine kognitive Plausibilität wird experimentell überprüft werden; unter anderem durch Testen der Navigation auf bekannten und unbekannten Routen und Routen mit mehrfachen Zielen und dem Vergleich der Planungseffizienz, Planungszeit, Kartengenauigkeit, Lernzeit und anderen Messgrößen mit Daten menschlicher Versuchspersonen.

Das Ziel unseres Projektes bestand in der Entwicklung eines Computermodells der Funktionsweise biologischer Gehirne hinsichtlich des Erlernens räumlicher Information, d.h. wie Landkarten in der Erinnerung entstehen. Die bisher entwickelten Gehirnmodelle waren nicht in der Lage in realistischen Umgebungen menschenähnlich zu funktionieren; andererseits wurde bei der Entwicklung von Robotern die Funktionsweise menschlicher Gehirne ignoriert. Ausgangspunkt waren Daten von Rattenhirnzellen, um zu verstehen, wie ihnen die Lokalisation trotz extrem schlechter Sicht und ungenauer Bewegungssensorik möglich ist. Zu unserer großen Freude konnte ein statistisch optimales Modell einen großen Teil der Neuronenaktivität in jenen Gehirnarealen, die für das Raumgedächtnis zuständig sind, erklären. Aus diesem ersten Modell entwickelten wir ein Computermodell bestehend aus künstlichen Gehirnzellen, das eine derartige statistische Lokalisierung errechnen konnte. Obwohl dieses simple Modell menschliche Schätzungsgenauigkeit in kleinen Umgebungen in einem Zimmer gut erklären konnte, hat es in einem größeren Maßstab nicht so gut funktioniert wie die menschliche Orientierung: menschliche Versuchspersonen machen viel kleinere Fehler bei der Erinnerung an räumlichen Positionen als das Modell. Weiters konnte mit diesem Modell nicht erklärt werden, warum biologische Gehirnzellen manchmal auch Aktivitäten zeigen außerhalb der Lokalisation, die sie darstellen (sowie man bei Tagträumen vorhergehende Ereignisse wieder aus der Erinnerungen zurückholen kann, so können diese Zellen vergangene Lokalisierungen wieder erinnern). Um die Genauigkeit der Fehlerkorrektur im größeren Maßstab besser zu verstehen, haben wir unser Computermodell beträchtlich erweitert und den beobachteten Rückspielmechanismus verwendet, um Fehler in der gelernten Karte zu korrigieren (ähnlich wie ein Taxifahrer seine/ihre Position anhand gut bekannter Gebäude zu korrigieren vermag). Im Folgenden haben wir dann dieses erweiterte Modell in ein generelles Modell menschlicher Kognition und Bewusstsein dem LIDA Modell integriert. Um die Zuverlässigkeit des erweiterten Modells empirisch zu überprüfen, haben wir es in einen simulierten humanoiden Roboter (Atlas von Boston Dynamics) implementiert und rekonstruierten hunderte Städte, in denen der Roboter die Positionen der Gebäude lernen konnte. Der Roboter mit dem neuen Modell konnte erfolgreich die Karten in diesen Städten erlernen, mit Positionsfehlern, die mit denen von über 240 menschlichen Probanden vergleichbar waren. Zusätzlich konnte er die Struktur der Karten menschenähnlich erlernen, d.h. in ca. 90% der Fälle wurden die gleichen Gebäude den Karten zugeordnet wie dies Menschen in ihrer Heimatstadt gemacht haben.