e-MDB: a cognitive architecture for lifelong open-ended learning autonomy in robotic systems

• Autores: Alejandro Romero Montero
• Directores de la Tesis: Richard J. Duro Fernández (codir. tes.) , Francisco Bellas Bouza (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2022
• Idioma: inglés
• Número de páginas: 224
• Tribunal Calificador de la Tesis: Ángel Pascual del Pobil y Ferré (presid.) , Amparo Alonso Betanzos (secret.) , Vieri Giuliano Santucci (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    El campo de la robótica autónoma enfrenta actualmente el desafío de diseñar robots con niveles de autonomía que les permitan ser útiles en dominios complejos y cambiantes. Esto implica diseñar sistemas capaces de operar de manera abierta (open-ended), es decir, capaces de realizar tareas útiles en dominios que no se conocían en el momento del diseño. También significa que los robots deben ser capaces de reutilizar e integrar el conocimiento adquirido en procesos de aprendizaje diferentes y posiblemente distantes, haciendo que los desafíos de aprendizaje posteriores sean cada vez más accesibles. Es decir, deben ser capaces de aprender durante toda la vida (lifelong learning). Esta tesis doctoral pretende explorar los principios básicos que serían necesarios para alcanzar este nuevo nivel de autonomía: la autonomía de aprendizaje abierto a lo largo de la vida (lifelong open-ended learning autonomy, LOLA). Abordamos el problema de cómo un diseñador puede diseñar robots que deben operar en entornos LOLA y, lo que es más importante, que sean útiles para los humanos que los construyen. Para formalizar la propuesta, proponemos las bases de un enfoque de arquitectura que soporte LOLA, lo que implica el desarrollo de dos componentes principales: un sistema motivacional y una memoria asociativa a largo plazo (LTM). Con el objetivo de probarlos, estos componentes se implementan en una arquitectura prototipo denominada epistemic Multilevel Darwinist Brain (e-MDB), que se prueba en un conjunto de experimentos considerando robots reales operando en condiciones LOLA. Los resultados obtenidos abren un amplio abanico de temas de investigación que son de interés para complementar el trabajo realizado y mejorar el funcionamiento de LOLA en robots. Entre ellos, los más relevantes son los relacionados con la capacidad de obtener de forma autónoma representaciones adecuadas del conocimiento que puedan facilitar la abstracción y generalización del mismo en tiempo real. También se presentan algunos trabajos preliminares en esta línea para proporcionar un punto de partida para futuras investigaciones en el marco de las arquitecturas cognitivas para LOLA

  • English

    The field of autonomous robotics is currently facing the challenge of designing robots with levels of autonomy that allow them to be useful in complex and changing service-related domains. This implies designing systems capable of operating in an open-ended manner, i.e., capable of carrying out useful tasks in domains that were not known at design time. It also means that robots must be able to reuse and integrate knowledge acquired in different and possibly distant learning processes, making subsequent learning challenges progressively more accessible. That is, they must be capable of lifelong learning. This doctoral thesis seeks to explore the basic principles that would be required to achieve this new level of autonomy: lifelong open-ended learning autonomy (LOLA). We address the issue of how a designer can go about designing robots that must operate in LOLA settings and, more importantly, that are useful to the humans that build them. To formalize the proposal, we propose the bases of an architectural approach to support LOLA involving the development of two main components: a motivational system and a longterm memory (LTM). With the objective of testing them, these components are implemented in a prototype architecture called epistemic Multilevel Darwinist Brain (e-MDB), which is tested in several experiments considering real robots under LOLA settings. The results obtained open up a wide range of research topics that are of interest to complement the work carried out and improve LOLA operation in robots. Among them, the most relevant are those related with the capability of autonomously obtaining appropriate knowledge representations that can facilitate on-line abstraction and generalization. Some preliminary work in this line is also presented to provide a starting point for further research in the framework of cognitive architectures for LOLA.