Intelligent robots need to acquire knowledge gradually as time goes by in order to perform complex tasks. Thus, a memory model should be incorporated to the intelligent robots for enhancing its cognitive abilities. To address this challenge, we propose a cognitive memory architecture, called Context Preference-based Deep Adaptive Resonance Theory (CPD-ART) network. CPD-ART network integrates the models of human episodic and semantic memories along with a preference-based decision making module. Taking advantage of the episodic memory encoding and retrieval frameworks, our cognitive memory architecture could learn complex tasks and recall the complete sequence of the events perfectly. The semantic memory provides the conceptual meaning of every action, object, or environment information required by the episodic memory and the preference-based decision making module while retrieving the events sequence of the learned tasks. On the other hand, the preference-based decision making module affects the cognitive memory retrieval decision by introducing new choices to alter the task accordingly considering the current external situations such as weather or time. The simulation and experiment to verify the effectiveness of the proposed architecture are also presented.
지능형 로봇은 복잡한 작업을 수행하기 위해 시간이 지남에 따라 서서히 지식을 습득하여야 한다. 따라서, 인지능력을 향상시키기 위해서는 메모리 모델이 지능형 로봇에 탑재되어야 한다. 이러한 과제를 해결하기 위해 맥락 선호도 기반 딥 적응 공명 이론 (CPD-ART) 네트워크 이라는 인지 메모리 구조를 제안한다. CPD-ART 네트워크는 인간의 일화와 의미 기억 모델, 선호도 기반 의사 결정 모듈을 통합한다. 제안하는 인지 메모리 구조는 일화 기억의 부호화와 검색 프레임워크를 활용하여 복잡한 작업을 학습하고 사건의 완전한 순서를 기억할 수 있다. 의미 기억은 학습된 작업의 사건 순서를 검색하는 동안 일화 기억과 선호도 기반 의사 결정 모듈에 필요한 모든 행동, 물체, 또는 환경 정보의 개념적 의미를 제공한다. 반면에, 선호도 기반 의사 결정 모듈은 현재 날씨나 시간과 같은 외적 상황들을 고려하여 작업을 바꿀 새로운 선택을 도입함으로써 인지 메모리 검색 결정에 영향을 미친다. 제안된 구조의 효과성을 검증하기 위한 시뮬레이션과 실험도 제시하였다.
