当棒球或垒球运动员击中快速球时，他们的大脑(人类智能)无缝地，几乎立即地将感官输入(关于投手的释放的视觉和声音信息，球的速度和运动)与知识(记忆的投手的倾向，关于击球手自身能力的信息，球和击球的数量，比赛情况等)向肌肉发送神经信号(运动命令)，导致蝙蝠和球的强大空中冲击。

即使拥有最佳的AI和感官能力，面向同一个投手的机器人也没有机会。AI使用连接系统来缓慢地协调来自传感器和存储数据的数据以及机器人的电机功能和动作。此外机器人不记得任何东西。

然而，对于具有大联盟抱负的机器人来说，马里兰大学研究人员刚刚在“科学机器人”杂志上发表的一篇新论文中可以找到希望。他们的工作引入了一种使用所谓的超维计算理论来组合或集成AI感知和运动命令的新方法。

作者 - UMD计算机科学博士 学生Anton Mitrokhin和Peter Sutor，Jr。; CorneliaFermüller，马里兰大学高级计算机研究所副研究员; 计算机科学教授Yiannis Aloimonos认为，这种整合是机器人技术领域面临的最重要的挑战，他们的新论文标志着这种感知和行动第一次被整合。

目前，机器人的传感器和移动它的致动器是独立的系统，通过中央学习机制链接在一起，该机制推断给定传感器数据的所需动作，反之亦然。这个繁琐的三部分人工智能系统 - 每个部分都讲自己的语言 - 是让机器人完成感觉运动任务的一种缓慢方式。机器人技术的下一步是将机器人的感知与其电机功能相结合。这种被称为“主动感知”的融合将为机器人完成任务提供更有效和更快捷的方式。

用于主动感知和记忆的超维计算

在作者的新的超维度计算理论中，机器人的操作系统将基于超维二进制向量(HBV)，其存在于稀疏且极高维度的空间中。HBV可以代表不同的离散事物 - 例如，单个图像，概念，声音或指令; 由不连续的东西组成的序列; 和离散的事物和序列的分组。它们可以以有意义构造的方式解释所有这些类型的信息，将每个模态在具有相同维度的1和0的长向量中绑定在一起。在这个系统中，动作可能性，感官输入和其他信息占据相同的空间，使用相同的语言，并融合在一起，为机器人创造了一种记忆。

超维框架可以将任何“瞬间”序列转换为新的HBV，并将现有的HBV组合在一起，所有HBV都在相同的向量长度中。这是创造语义上重要且知情的“记忆”的自然方式。越来越多的信息的编码反过来导致“历史”向量和记忆能力。信号成为矢量，索引转换为内存，学习通过聚类发生。

机器人对过去所感知和所做的事情的记忆可以使它期待未来的感知并影响其未来的行动。这种主动感知将使机器人变得更加自主并能够更好地完成任务。

“活跃的感知者知道为什么要感知，然后选择要感知的内容，并确定如何，何时以及在何处实现感知，”Aloimonos说。“它选择和固定场景，时刻和剧集。然后，它将其机制，传感器和其他组件对齐，以对其想要看到的内容采取行动，并选择从中最佳捕获其意图的视点。

“我们的超维框架可以解决这些目标，”他说。

马里兰州研究的应用可能远远超出机器人技术。最终目标是能够以一种根本不同的方式进行AI本身：从概念到信号再到语言。超维计算可以为迭代神经网络和当前用于计算应用程序(如数据挖掘，视觉识别和将图像转换为文本)的深度学习AI方法提供更快，更有效的替代模型。

“基于神经网络的AI方法既大又慢，因为它们无法记住，”Mitrokhin说。“我们的超维理论方法可以创造记忆，这将需要更少的计算，并且应该使这些任务更快，更有效。”

将超维计算与更好的运动感应相结合

作者还指出，将机器人的传感与其动作相结合所需的最重要的改进之一是更好的运动传感。使用动态视觉传感器(DVS)代替传统相机完成此任务一直是测试其超维计算理论的关键组成部分。

大多数计算机视觉技术使用其质量以像素密度确定的图像。像素密度表示时间很短，但不适合表示运动，因为运动是连续的实体。动态视觉传感器(DVS)是不同的。它不是通常意义上的“拍照”，而是捕捉动作，特别是物体移动时的边缘。因此，DVS成像更适合于“观察”运动的机器人需求。受到哺乳动物视觉的启发，DVS适应从黑暗到明亮的大范围照明条件，并且可以在很短的传输延迟(低延迟)下解决非常快速的运动。这些是机器人中实时应用的理想属性，例如自主导航。DVS累积的数据更适合于超维计算理论的集成环境。

“这个传感器的数据，即事件云，比图像序列更稀疏，”Fermüller说。“此外，事件云包含编码空间和运动的基本信息，概念上是场景中的轮廓及其运动。”