×
Универзитет у Новом Саду

Предмет: Когнитивна роботика (22.EAI066)

Основне информације:
 
Категорија Теоријско-методолошки
Ужа научна област Мехатроника, роботика и аутоматизација и интегрисани системи
ЕСПБ 6

Циљ предмета је упознавање студената са основним теоријским концептима и идејама из различитих области и дисциплина, попут когнитивне психологије, рачунарске лингвистике и вештачке интелигенције, које су од значаја за изразито мултидисциплинарну област као што је когнитивна роботика. Ово укључује базично упознавање са изабраним увидима из когнитивних неуронаука који су послужили као инспирација за развој рачунарских когнитивно инспирисаних модела, упознавање са различитим методолошким приступима когнитивном моделовању и коначно упознавање са бројним конкретним алгоритмима и рачунарским моделима виших когнитивних процеса попут: меморије, пажње, учења, одлучивања и језика и њиховим конкретним реализацијама у појединим роботским системима. Додатни циљ је оспособљавање студената за праћење савремене литературе из области когнитивне роботике и увођење у самосталани научно-истраживачки рад.

Студенти су оспособљени за теоријско разумевање и анализу савремених когнитивно инспирисаних техничких система и модела имплементираних у различитим сервисним и хуманоидним роботима, који испољавају одређени степен интелигентног понашања и покривају различите аспекте когнитивног система. Студенти су такође оспособљени за самостално моделовање и рачунарску имплементацију различитих алгоритама који покривају широки спектар когнитивних фунцкионалности, значајних за функционисање робота у неструтурираном окружењу и остваривање природне и флексибилне интеракције човека и робота, укључујући разумевање природног говора, одлучивање у неизвесним окружењима, учење из интеракције, ... Током курса, студенти су стекли знања за имплементацију изабраних алгоритама у неком од програмских пакета попут MATLAB-а или у програмском језику Python.

1) Увод – Дефиниција основних појмова; Одабрани увиди из когнитивних неуронаука (структура и функционалности људског когнитивног система); Одабране теме из филозофије вештачке интелигенције (Слаба и јака вештачка интелигенција, Тјурингов тест, Метафора мозга као рачунара, Елиза, Аргумент кинеске собе, ...); Типови вештачких когнитивних агената и окружења; Симболички и статистички методолошки приступ когнитивном моделовању; Основи теорије вероватноће и теорије графова. 2) Когнитивне архитектуре – Класификација когнитивних архитектура; Критеријуми за евалуацију и поређење когнитивних архитектура; Примери постојећих когнитивних архитектура. 3) Језик и перцепција– Порекло, функција и структура језика; Вербална интеракција; Статистички приступи у моделовању језика (скривени Марковљеви модели и Н-грами); Дефинисање основних елемената обраде природног језика при интеракцију између човека и машине; Управљање дијалогом; Контекстно-независне граматике; Разумевање природног говора (Репрезентација знања, контекстно-зависна обрада дијалошких чинова); Извлачење информација из текста (претраге докумената, контекстно-зависно предвиђање упита, класификација текста и препознавање домена дијалога). Технике за екстракцију релевантних обележја из различитих типова дискретних сигнала (аудио, видео, тактилни итд.). 3) Меморија и разумевање – Увиди из когнитивних неуронаука (структура и функционалности меморије, однос дуготрајне и радне меморије и механизма пажње); Когнитивно инспирисани приступ моделовању меморије робота; Складиштење информација и репрезентација знања; Контекстно-зависно извлачење информација из меморије (типови стимуланса, активација меморије и приоритизација садржаја); Контекстно зависна интерпретација стимуланса (разумевање); Примери рачунарских модела семантичке, епизодне и радне меморије у роботици. 4) Закључивање, одлучивање и планирање акција –Представљање знања и закључивање у присуству неизвесности (Бајесове мреже); Пробабилистичко закључивање у времену (Динамичке Бајесове мреже, Скривени Марковљеви модели, Калманов филтер); Основи теорије одлучивања; Марковљев процес одлучивања (Динамичко програмирање, Белманова једначина), Делимично опсервабилни Марковљев процес одлучивања. 5) Учење – Увиди из неурокогнитивних наука и бихејвиористичке психологије (асоцијативно учење – класично и инструментално условљавање); Учење са подстицајем (Реинфорцемент Леарнинг); Учење на основу временских разлика (Темпорал Дифференце Леарнинг).

Облици извођења наставе су: предавања, практичан рад на рачунарима, израда пројекта, и консултације. На предавањима се излажу садржаји предмета и стимулише се активно учешће студената, док се на вежбама имплементирају практични примери из области когнитивне роботике. Практични део студенти савладавају радом на рачунару.

Аутори Назив Година Издавач Језик
D. Vernon, C. von Hofsten, L. Fadiga A Roadmap for Cognitive Development in Humanoid Robots 2010 Springer-Verlag Енглески
S. Russell, P. Norvig Artificial Intelligence: A Modern Approach 2010 Pearson Education Енглески
М. Гњатовић Увод у проналажење информација на вебу 2017 Висока школа електротехнике и рачунарства струковних студија Српски језик
M. N. Jones, J. Willits, S. Dennis Models of Semantic Memory 2015 Oxford University Press Енглески
R. S. Sutton, A. G. Barto Reinforcement Learning – An Introduction 2017 MIT Press Енглески
Norman, K. A., Detre, G., & Polyn, S. M Computational models of episodic memory. In R. Sun (Ed.), The Cambridge handbook of computational psychology 2010 Cambridge University Press Енглески
D. Jurafsky, J. H. Martin Speech and Language Processing 2009 Pearson Education Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Практични део испита - задаци
Предиспитна
Не
Обавезна
Да
Број поена
60.00
Предметна активност
Пројектни задатак
Предиспитна
Да
Обавезна
Да
Број поена
30.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
10.00

Предавања

Предавања

Рачунарске вежбе

Рачунарске вежбе