具身智能体中的记忆制造技术

计算结构为具身智能体提供记忆，该记忆可以从经验中实时填充，和/或编写。具身智能体(可以是虚拟对象、数字实体或机器人)设置有一个或多个影响或引导具身智能体行为的经验记忆存储器。经验记忆存储器可以包括会聚发散区(CDZ)，该区域模拟人类记忆以在回忆过程中可以重新体验的心理意象或模拟形式表示外部现实的能力。记忆数据库以简单、可编写的方式生成，使得经验能够在具身智能体的实时操作中被学习或被编写。基于资格的学习确定来自多模态信息流的哪些方面存储在经验记忆存储器中。信息流的哪些方面存储在经验记忆存储器中。信息流的哪些方面存储在经验记忆存储器中。

【技术实现步骤摘要】
【国外来华专利技术】具身智能体中的记忆


[0001]本文所述实施方案涉及人工智能领域以及用于实现和使用[Title]的系统和方法。更具体地，但非排他性地，本文所述实施方案涉及无监督学习。

技术介绍

[0002]人工智能(AI)的目标是构建具有与人类相似能力的计算机系统，包括类似人类的学习和记忆。大多数当代机器学习技术依赖于“离线”学习，其中AI系统设置有经准备和清理的数据来进行学习，这些数据限于特定域。现有技术所面临的一项挑战在于创建以类似人类的方式体验世界上的对象和事件并从具身交互中学习的AI系统。此类AI智能体凭借其具身化和与环境的感觉运动反馈回路，可以影响和指导自身的学习。此类智能体将理解来自世界的多模态数据流，并以有意义且有用的方式保留信息。所面临的另一项挑战在于创建灵活的AI具身智能体，该智能体不仅能够从其自身体验中学习，而且能够由外部来源(诸如人类用户)编写或改变其记忆。分层时间记忆(HTM)是一种复制人类记忆的方法，其基于具有多个寄存器的计算结构，这些寄存器类似于皮质层。HTM被配置为复制大脑皮层的补丁。然而，HTM无法提供让具身智能体得以从感觉运动本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于以动画方式显示具身智能体的方法，所述方法包括以下步骤：接收与第一模态的经验的第一表示相对应的感觉输入；查询经验记忆存储器，以检索第二模态的所述经验的第二表示；以及使用所述第二模态的所述第二表示来以动画方式显示所述具身智能体。2.根据权利要求1所述的方法，其中，所述经验记忆存储器将所述经验的表示存储在神经网络权重中。3.根据权利要求1所述的方法，其中，使用神经行为模型来以动画方式显示所述具身智能体。4.根据权利要求1所述的方法，其中，所述经验记忆存储器中的经验包括由所述具身智能体之前在所述具身智能体的实时操作过程中体验到的经验。5.根据权利要求1所述的方法，其中，所述多个模态包括由下列各项组成的群组中的一者或多者：视觉模态、听觉模态、触觉模态、运动模态、神经化学模态或位置模态。6.根据权利要求1所述的方法，其中，所述经验记忆存储器中的经验包括编写的经验。7.根据权利要求1所述的方法，其中，所述第二模态的所述第二表示对应于所述具身智能体的内部状态，并且通过根据所检索到的内部状态修改其当前内部状态来引导所述具身智能体的动画显示。8.根据权利要求7所述的方法，其中，所述第二模态的所述第二表示对应于所述具身智能体的情绪状态。9.根据权利要求2所述的方法，其中，所述第二模态的所述第二表示由所述具身智能体在回忆期间重新体验。10.根据权利要求1所述的方法，其中，所述经验记忆存储器是SOM的集合。11.根据权利要求10所述的方法，其中，所述SOM被布置为CDZ。12.一种用于存储具身智能体的记忆的系统，所述系统包括：经验记忆存储器，所述经验记忆存储器由所述具身智能体在操作过程中体验到的经验填充，其中每项经验与不同模态的所述经验的多个表示相关联，并且所述经验记忆存储器将所述经验的表示存储在神经网络权重中；记忆数据库，所述记忆数据库用于存储在所述经验记忆储器中存储的所述经验的副本，其中所述记忆数据库存储有对应于不同模态的所述经验的所述表示的原始数据。13.一种选择性地存储由具身智能体在所述具身智能体的实时操作过程中体验的经验的方法，所述方法包括以下步骤：从用于接收多个模态的输入的多个输入流接收输入表示，其中每个输入流与至少一个条件相关联，所述条件在所述输入流中创建资格迹；检测两个或更多个输入流的同时资格迹(“合资格”输入流)；以及存储和关联来自所述合资格输入流的所述输入表示。14.根据权利要求13所述的方法，其中，创建资格迹的所述条件包括新颖性、重要性或强度。15.根据权利要求13所述的方法，其中，所述多个模态包括由下列各项组成的群组中的一者或多者：视觉模态、听觉模态、触觉模态、运动模态、神经化学模态或位置模态。16.一种记忆系统，所述记忆系统包括：
短期记忆SOM(STM)，所述STM用于存储自上次巩固以来所体验的记忆；和长期记忆结构(LTM)，所述LTM用于存储在所述上次巩固之前所体验的记忆，在巩固期间针对来自STM激活训练的数据对进行训练其中所述LTM和所述STM将表示空间中的映射表示分类为公共独热编码类别类型；其中所述记忆被共同和分别存储在所述STM和所述LTM中。17.根据权利要求16所述的记忆系统，其中，所述类别类型是对象类型。18.一种用于训练SOM的方法，所述SOM包括多个神经元和训练记录，每个神经元与权重向量相关联；所述方法包括以下步骤：接收输入向量；确定所述输入向量是否为“新的”；如果所述输入向量不是新的：选择第一获胜神经元，促进所述输入向量与所述获胜神经元之间更高的相似性，并且向着所述输入向量修改所述第一获胜神经元的所述权重向量；如果所述输入向量是新的：选择第二获胜神经元，促进具有较低训练记录的神经元，并且向着所述输入向量修改所述第二获胜神经元的所述权重向量。19.根据权利要求18所述的方法，其中，确定所述输入向量是否为“新的”包括以下步骤：确定所述第一获胜神经元，促进所述输入向量与所述获胜神经元之间更高的相似性；确定所述输入向量与所述第一获胜神经元之间的匹配质量；如果所述匹配质量低于匹配质量阈...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：索美智能有限公司，
类型：发明
国别省市：