| 研究課題/領域番号 |
18K18128
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分61050:知能ロボティクス関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
米倉 将吾 東京大学, 大学院情報理工学系研究科, 特任研究員 (60456192)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2020年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2019年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2018年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
|---|
| キーワード | 自己組織化 / スパイキングニューロン / ノイズ / 筋骨格系 / 予測モデル / 予測性 / 予測プリミティブ / reservoir computation / 運動プリミティブ / Physical reservoir |
|---|
| 研究成果の概要 |
ロボットなどの多自由度身体系の振る舞いは一般的に多くの自由度の相互作用により非常に複雑であり、この複雑さがモデル予測制御やモデルベースド強化学習のロボットへの適用を困難にしていた。これらを踏まえ、本研究では容易なロボットの運動予測を可能にする枠組みの構築を目指し、スパイキングニューロンが有する身体・環境ダイナミクスの自己組織化能力に着目するに至った。具体的にはスパイキングニューロンが有する、系全体の複雑性減少能力、運動の周期性向上能力、不安定点の制御安定化能力などが向上しえる事を発見した。これらの発見をもとに、様々な系にスパイキングニューロンによる制御実験を試みた。
|
| 研究成果の学術的意義や社会的意義 |
近年、モデルベースド強化学習や最適制御などの研究において予測モデルの構築さえ可能であれば柔軟に最適な運動を生成可能である事が示唆されているが、しかしながら、予測学習の困難さは依然として大きな問題である。本研究では、生物が広く利用している確率的発火パターンを示すスパイキングニューロンを用いる事によって、環境-身体ダイナミクスにおいて自己組織化が起こり、自由度凍結に似た効果が引き起こされ、結果、より容易に予測学習が実現できる可能性を示した。この研究によって、生体神経の機能の新しく深い理解が得られたとともに、スパイキングニューロンを用いた深層学習の新しい可能性が開かれたと期待される。
|
