Automated task planning for robots, an important part of cognitive abilities of an autonomous agent, faces great challenges in that the sequences of events needed for a particular task are mostly required to be hard-coded. This can be a cumbersome process especially when the user wants a robot to learn a large number of similar tasks with different objects that are semantically related. Also, apart from learning distinct experiences correctly, significant or recurring experiences are expected to be learned better and be able to be retrieved easily relatively. In order to address these two challenges, we first propose a user preference-based dual-memory adaptive resonance theory network model (pDM-ART) which makes use of a user preference to encode episodic memories with various strengths; and to learn and forget at various rates. Over a period of time, as learned tasks are recalled, episodic memories undergo a consolidation-like process at a rate proportional to the user-preference at the time of encoding and the frequency of recall of a particular episode. These consolidated memories are stable and easier to retrieve. In the second part of the research, we propose a novel approach of user preference-based integrated multi-memory model (pMM-ART) that focuses on exploiting a semantic hierarchy of objects for enhancing the behavior of an autonomous agent in three ways. Firstly, the model is able to extend its knowledge of planning a task to an entire category of objects by learning to plan for only one object from the category. Not only is the extension possible to the category the object belongs to but also to other similar categories. Secondly, in certain situations, it is able to extend further by being able to plan on categories that have no objects planned on for. Lastly, it is able to recognize an erroneous category of objects that arrives in a retrieval cue. The memory model is capable of forming top down weighted connections between the concepts (consolidated episodes) and the semantic categories it has in its object fact map (OFM). Weighted connections (associations) also develop between semantic categories defining their distance relative to each other in semantic space based on the concepts and the attributes they share. We analyze both the models separately for a clearer understanding on how they play their role in trying to overcome the two aforementioned challenges. Simulation and experimental results are also presented.
자율적인 업무 계획 분야는 로봇이 자율적으로 행동하기 위한 인지능력을 결정하는 중요한 분야이다. 현재 특정한 업무를 수행하는데 필요한 일련의 업무는 사람이 직접 계획하여 로봇에게 직접 입력하여 수행시키는데, 이 점은 크게 두 가지 이유에서 해결되어야 한다. 첫 번째로는, 로봇이 의미적으로 연관성이 있는 다른 물체들을 다뤄야 하는 비슷한 업무를 여러 번 학습해야 할 때 특히 사용자에게 번거로움을 안겨주게 된다는 점이다. 두 번째 이유로는, 다른 업무들을 정확하게 학습하는 것과는 별개로, 사용자들은 로봇이 중요하거나, 반복해서 발생하는 경험들을 더 잘 학습을 하고 그 경험들에 대한 기억에의 접근이 더 용이해지고 빠르게 이뤄지기를 기대하는 점이다. 이러한 당면 과제들을 해결하기 위해 두 가지를 제안하게 되는데, 첫째로 사용자의 기호가 반영된 듀얼 메모리의 적응적 공명 이론을 사용한 네트워크 모델 (pDM-ART)을 제안한다. 이 모델은 사용자의 기억에 대한 선호도 또는 중요도를 우화적 기억에 다양한 강도로 적용하여, 이에 따라 학습이나 기억 삭제 속도에 차등을 두는 것을 가능케 한다. 시간이 지나면서 학습된 업무를 떠올려야 하는 상황이 발생할 때마다 관련 우화 기억에 대해 일련의 강화 작업을 하게 되는데, 이 작업은 작업이 기록될 당시의 사용자의 선호도와 작업의 발생 빈도에 비례해서 이루어 지게 된다. 이 강화된 기억들은 비슷한 상황을 겪을 때 안정적이고 쉽게 검색 및 접근이 이루어질 수 있게 된다. 두번째로 제안하는 부분에서는 사용자의 기억에 대한 선호도가 반영된 다중 기억 모델 (pMM-ART)을 제안한다. 이 모델은 대상 물체들의 다층적 의미를 추출해 냄으로써 세가지 측면에서 로봇의 자율적 행동 발달을가능케 한다. 첫 번째로, 이 모델은 범주 내에 있는 단 하나의 물체에 대한 행동 계획을 학습함으로써 행동 계획에 대한 지식을 모든 물체에 대해 확장 가능하다. 해당 물체가 속해 있는 종류의 물체들에 대한 확장 뿐만이 아니라 비슷한 범주의 모든 물체들에게까지 가능하다. 둘째로, 특정 상황에서는 이전에 행동 계획이 이루어지지 않았던 종류의 물체들에게까지도 확장이 가능하다. 마지막으로, 만약에 현재 상황에 기반하여 기억에서 찾아온 물체의 종류가 잘 못 된것이라면 그것을 인지할 수 있다. 이 기억 모델은 컨셉(강화된 일련의 우화)과 그 컨셉의 물체 사실 지도(OFM) 내에 정의된 의미적 범주 사이의 하향식 가중 연결을 구성할 수 있다. 가중 연결은 컨셉들과 그들이 공유하는 특성들에 기반하는 의미적 공간 내에서 정의된 의미적 범주들 사이의 거리를 정의한다. 이 논문에서는 서두에서 말한 두 가지 이슈들을 해결하기 위해 이 두 가지 모델들이 어떠한 역할을 하는지를, 보다 명확한 이해를 위해, 각각의 모델에 대한 분석을 시뮬레이션과 실험 결과를 통해 제공한다.
