遥感与地理信息系统学报

抽象的

基于终身机器学习的智能机器人/软机器人推动工业自动化

艾姆达德·汗

一个功能齐全的机器人/软件机器人（智能代理）需要具备人类自学、认知智能、创造知识、从经验中学习、确定要学习的内容等大部分学习和决策能力。现有的机器学习 (ML) 算法以孤立学习为主（例如，在监督学习中，使用领域中特定任务的特定数据集来训练 ML 进行回归或分类）。此类系统的泛化能力与用于训练的数据、任务和领域密切相关，因此范围有限（尽管对于某些应用，迁移学习可以在很大程度上提供帮助）。但此类系统不会创造知识，也无法从跨任务和跨领域的先前知识或经验中学习。然而，最近有一些很好的工作可以帮助终身机器学习 (LML)，即可以从所学知识中创造知识，利用这些知识学习更多知识并像人类一样重复该过程。然而，这种方法使用算法和统计方法来创造知识，这些方法不能很好地扩展，并且不太灵活地模拟类似人类的学习。这将有效地在现有的数值数据驱动的 ML 系统中实现 LML 功能，并将其与使用非结构化数据的 LML 系统很好地结合起来——从而形成一个完全像人类一样的基于 LML 的智能系统。