Multimodal VAE Active Inference Controller
Delft University of Technology(代尔夫特理工大学);Radboud University(拉德堡德大学);Donders Institute for Brain, Cognition and Behavior(唐德斯脑、认知与行为研究所)
主动推理是一种受大脑处理启发的理论结构,是控制人工智能体的一种很有前途的选择。然而,目前的方法还没有扩展到连续控制中的高维输入。在这里,我们提出了一种新的主动推理扭矩控制器的工业武器,保持了以前的本体感受方法的自适应特性,但也使大规模的多模态集成(例如,原始图像)。我们扩展了我们以前的数学公式,包括多模态状态表示学习使用线性耦合的多模态变分自编码器。我们在模拟的7DOF Franka Panda机器人手臂上评估了我们的模型,并将其行为与之前的主动推理基线和Panda内置优化控制器进行了比较。结果表明,改进的跟踪和控制,在目标导向达到由于增加的代表性的权力,高鲁棒性噪声和适应性的变化,环境条件和机器人参数,而不需要重新学习的生成模型,也没有参数重新调整。
2021-03-07 cs.AI cs.RO
Unbiased Active Inference for Classical Control
TU Delft(代尔夫特理工大学);Oxford Robotics Institute(牛津机器人研究所);Oxford University(牛津大学)
主动推理是一个数学框架,起源于计算神经科学。最近,它已被证明是在机器人技术中构建目标驱动行为的一种有前途的方法。具体来说,主动推理控制器(AIC)已经成功地在几个连续控制和状态估计任务。尽管它相对成功,一些既定的设计选择导致了一些实际的限制机器人控制。这些包括对状态的有偏估计,以及只有一个隐式的控制行为模型。在本文中,我们强调这些限制,并提出了一个扩展版本的无偏主动推理控制器(u-AIC)。u-AIC保留了AIC的所有令人信服的优点,并消除了其局限性。在2自由度机械臂上的仿真结果和在7自由度机械臂上的实验结果表明,u-AIC相对于标准AIC具有更好的性能。代码可以在https://github.com/cpezzato/unbiased_aic上找到。
2022-07-27 cs.RO cs.SY eess.SY
Active Inference for Robotic Manipulation
Intelligent Autonomous Systems(智能自主系统实验室);Technical University of Darmstadt(达姆施塔特工业大学)
尽管在过去的几十年中机器人技术和机器学习取得了重大进展,但机器人操作仍然是一个很大程度上未解决的问题。操纵的核心挑战之一是部分可观察性,因为智能体通常不知道环境的所有物理属性和它预先操纵的对象。最近出现的一种以显式方式处理部分可观测性的理论是主动推理。它通过驱动智能体以一种不仅是目标导向的而且是关于环境的信息的方式行动来做到这一点。在这项工作中,我们将主动推理应用于一个难以探索的模拟机器人操作任务,其中代理必须将球平衡到目标区域。由于这项任务的回报是稀疏的,为了探索这个环境,智能体必须学习在没有任何外部反馈的情况下平衡球,纯粹是出于自己的好奇心。我们表明,主动推理引起的信息寻求行为允许代理系统地探索这些具有挑战性的,稀疏的环境。最后,我们得出结论,使用信息寻求目标是有益的,在稀疏的环境中,并允许代理解决任务的方法,不表现出定向探索失败。
2022-06-01 cs.LG cs.RO
Fault-tolerant Control of Robot Manipulators with Sensory Faults using Unbiased Active Inference
Delft University of Technology(代尔夫特理工大学);Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
提出了一种基于主动推理的容错控制方案。具体而言,一个新的配方的主动推理,不像以前的解决方案,提供无偏的状态估计和简化的定义概率鲁棒阈值的容错控制的机器人系统使用的自由能。所提出的解决方案利用传感器预测误差的自由能产生的残差和阈值的故障检测和传感器故障的隔离,它不需要额外的控制器故障恢复。结果验证的好处,在一个模拟的2自由度机械手,并讨论了未来的方向,以改善目前的故障恢复方法。
2021-04-05 cs.RO cs.SY eess.SY
Active Inference for Autonomous Decision-Making with Contextual Multi-Armed Bandits
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文将主动推理引入上下文多臂老虎机决策,提出基于变分和拉普拉斯近似的期望自由能计算方法,以较低计算成本实现更少迭代和更优累积遗憾。
2023-02-24 cs.LG cs.RO
End-to-End Pixel-Based Deep Active Inference for Body Perception and Action
Technical University of Munich(慕尼黑工业大学);Donders Institute for Brain, Cognition and Behaviour(唐德斯脑、认知与行为研究所);Radboud University(拉德堡德大学)
我们提出了一种基于像素的深度主动推理算法(PixelAI),其灵感来自人体感知和动作。我们的算法将神经科学中的自由能原理(植根于变分推理)与深度卷积解码器相结合,以扩展算法,直接处理原始视觉输入,并提供在线自适应推理。我们的方法是通过研究身体感知和行动在一个模拟和一个真正的Nao机器人进行验证。结果表明,我们的方法允许机器人执行1)动态身体估计其手臂只使用单目摄像机图像和2)自主达到“想象”的手臂姿势在视觉空间。这表明,机器人和人体的感知和行动可以有效地解决看作是一个积极的推理问题的指导下进行感官输入。
2020-05-29 cs.AI cs.CV cs.LG
Emotion in an active inference model of human driving
Delft University of Technology(代尔夫特理工大学);Waymo LLC(Waymo有限责任公司)
本研究在连续状态的驾驶主动推理模型中,扩展了效价与唤醒的情感表征,结合当前状态与未来预测结果,在交互式驾驶场景中验证了该情感信号与实际模式相符。
2026-08-11 cs.AI cs.HC cs.LG
Goal-Directed Planning by Reinforcement Learning and Active Inference
Okinawa Institute of Science and Technology(冲绳科学技术大学院大学)
目标导向的行为和习惯性行为有什么区别?我们提出了一个新的计算框架的决策与贝叶斯推理,其中一切都集成为一个完整的神经网络模型。该模型通过自我探索和通过采样随机内部状态${z}$产生运动动作来学习预测环境状态转换。通过强化学习,从${z}$的先验分布中获得习惯行为。目标导向的行为是通过规划从后验分布的${z}$,使用主动推理,优化过去,当前和未来的${z}$,通过最小化的变化自由能所需的未来观测约束所观察到的感觉序列。我们通过实验证明了所提出的框架的有效性,在感觉运动导航任务与相机的观察和连续的电机动作。
2021-06-22 cs.AI cs.LG cs.RO
Active inference as a unified model of collision avoidance behavior in human drivers
Department of Cognitive Robotics(认知机器人学系);Delft University of Technology(代尔夫特理工大学);Waymo LLC(Waymo公司)
本文提出基于主动推断的新型计算认知模型,统一解释人类避撞行为中的响应时间、动作选择与执行等关键问题。
2026-05-12 cs.RO cs.SY eess.SY
Active Inference in Robotics and Artificial Agents: Survey and Challenges
Robotics Institute, Delft University of Technology(代尔夫特理工大学机器人研究所);MRC Brain Networks Dynamics Unit, Oxford University(牛津大学MRC脑网络动力学研究中心);Oxford Robotics Institute, Oxford University(牛津大学牛津机器人研究所);Okinawa Institute of Science and Technology(冲绳科学技术大学院大学)
主动推理是一个数学框架,起源于计算神经科学,作为大脑如何实现动作,感知和学习的理论。最近,它已被证明是一个很有前途的方法,状态估计和不确定性下的控制问题,以及在机器人和人工智能体的目标驱动行为的建设一般的基础。在这里,我们回顾了状态估计,控制,规划和学习的主动推理的最新理论和实现;描述了当前的成就,特别关注机器人技术。我们展示了相关实验,说明了它在适应性、泛化和鲁棒性方面的潜力。此外,我们将这种方法与其他框架,并讨论其预期的好处和挑战:一个统一的框架与功能的生物相容性,使用变分贝叶斯推理。
2021-12-03 cs.AI cs.LG cs.RO
Dynamic planning in hierarchical active inference
Institute of Cognitive Sciences and Technologies(认知科学与技术研究所);National Research Council of Italy(意大利国家研究委员会);Sapienza University of Rome(罗马大学)
本文探讨主动推断中的动态规划,提出基于可供性利用和分层交互的分层混合表示方法,为复杂任务(如工具使用)建模提供了新方向。
2024-11-12 cs.AI cs.LG cs.RO
Message passing-based inference in an autoregressive active inference agent
Eindhoven University of Technology(埃因霍温理工大学);Lazy Dynamics B.V.(Lazy Dynamics公司)
本文提出一种基于消息传递的自回归主动推断代理,通过在因子图上进行推理,在机器人导航任务中展示了在连续观测空间中实现探索与利用的能力,并在动态建模方面优于传统控制器。
2026-01-19 cs.AI cs.LG cs.RO
Perceptual Motor Learning with Active Inference Framework for Robust Lateral Control
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);Ford Motor Company(福特汽车公司)
针对自动驾驶横向控制的适应性与效率问题,提出融合主动推理的知觉运动学习框架,使车辆以少量数据实现车道保持,并在CARLA中验证其低开销且性能可比。
2025-03-05 cs.AI cs.LG cs.NE
Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following
Army Research Office(陆军研究办公室)
本文提出一种基于主动推理理论的双层优化方法,从有限演示中学习人类感知与控制模型,并在自然车辆跟驰数据集上验证了其作为黑箱驾驶模型替代方案的有效性。
2025-05-01 cs.AI cs.LG cs.RO
Real-World Robot Control by Deep Active Inference With a Temporally Hierarchical World Model
Graduate School of Integrated Design Engineering, Keio University(Keio大学整合设计工程研究院)
本文提出一种结合时序分层世界模型的深度主动推断框架,用于在不确定环境中实现机器人高成功率的操作与探索性动作切换。
2025-12-01 cs.AI cs.LG cs.RO
Subspace Inference Enables Efficient Active Reward Learning from Preferences
University of Southern California(南加州大学)
本文提出PreferenceEKF方法,通过低维子空间的扩展卡尔曼滤波实现高效序贯贝叶斯推理,在D4RL等基准上较其他贝叶斯深度学习方法更优,助力RLHF的高效奖励学习。
2026-09-04 cs.AI cs.LG cs.RO
Towards Human-Like Driving: Active Inference in Autonomous Vehicle Control
本文将主动推理与深度学习结合用于自动驾驶汽车横向控制,在CARLA中以有限数据实现车道跟随,并在适应性与计算效率上优于传统方法。
2024-09-16 cs.AI cs.LG cs.NE
Navigating Autonomous Vehicle on Unmarked Roads with Diffusion-Based Motion Prediction and Active Inference
Rutgers University – New Brunswick(罗格斯大学新布朗斯维克分校)
本文提出将基于扩散的运动预测器整合到主动推理框架中,以解决无标线道路上自动驾驶车辆的控制问题,相比MPC和RL方法,该方法降低了计算需求和训练量,提升了导航安全性与效率。
2024-05-31 cs.RO cs.SY eess.SY
Neuroscience-inspired perception-action in robotics: applying active inference for state estimation, control and self-perception
Donders Institute for Brain, Cognition and Behaviour(唐德斯脑、认知与行为研究所);Radboud University(拉德堡德大学)
与机器人不同,人类通过与世界互动来学习、适应和感知自己的身体。发现大脑如何代表身体并产生动作对机器人技术和人工智能至关重要。在这里,我们将讨论神经科学的发现如何为改进机器人技术中的当前估计和控制算法提供机会。特别是,主动推理,一种大脑如何抵抗自然紊乱倾向的数学公式,提供了一个统一的配方,可能解决机器人技术中的一些主要挑战,如适应性,鲁棒性,灵活性,泛化和安全交互。本文总结了在真实体现平台上开发这种计算模型的一些实验和经验教训,即,人形机器人和工业机器人。最后,我们展示了我们仍然面临的限制和挑战,以赋予机器人类似人类的感知
2021-05-10 cs.AI cs.RO q-bio.NC
Bayesian Active Inference for Intelligent UAV Anti-Jamming and Adaptive Trajectory Planning
University of Genoa(热那亚大学);Italian National Inter-University Consortium for Telecommunications (CNIT)(意大利国家大学电信联合体(CNIT))
本文提出基于贝叶斯主动推断的无人机抗干扰与自适应轨迹规划方法,通过结合专家示范与概率生成模型,实现高层规划与底层策略的协同,有效减少干扰并提升任务效率。
2025-12-05 cs.AI cs.RO cs.SY
Towards Stochastic Fault-tolerant Control using Precision Learning and Active Inference
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所);Delft University of Technology(代尔夫特理工大学)
提出了一种基于主动推理的机器人感知故障容错控制方案。在大多数现有方案中,基于测量数据做出传感器是健康(功能)还是故障的二元判定。决策边界称为阈值,它通常是确定性的。在故障判定之后,通过排除故障传感器来获得故障恢复。我们提出了一种基于主动推理和精确学习的随机容错方案,该方案不需要先验阈值定义来触发故障恢复。相反,代表其健康状态的传感器精度以无模型的方式在线学习,允许系统逐渐而不是突然排除故障单元。机器人上的实验表明,有前途的结果和未来的工作方向进行了讨论。
2021-09-13 cs.LG cs.RO cs.SY
Planning to avoid ambiguous states through Gaussian approximations to non-linear sensors in active inference agents
TU Eindhoven(埃因霍温理工大学);Bayesian Intelligent Autonomous Systems laboratory(贝叶斯智能自主系统实验室)
本研究提出利用对测量函数曲率敏感的高斯近似(如二阶泰勒近似)在活动推断智能体中产生状态依赖的模糊项,从而引导智能体偏好可准确推断状态,并通过机器人导航实验验证了该偏好。
2024-09-18 cs.AI cs.RO cs.SY