解密 RC-HC 儲備池運算：機器人如何長出大腦般的隱含空間直覺？
傳統觀念認為，自主機器人若要在複雜且未知的環境中順利導航，必須依賴耗費龐大算力的 SLAM（同時定位與建圖）技術。在這種機制下，機器人需要裝備昂貴的雷射掃描儀器，像繪圖員一樣將環境的每一個幾何細節完整記錄下來，建立出精確的 3D 地圖。而在神經網路的訓練上，要讓遞迴神經網路（RNN）記住環境的時空特徵，通常也離不開容易陷入局部最佳解、計算過程繁瑣的「沿時間反向傳播」（BPTT）演算法。 但實際上，生物（例如老鼠）在探索迷宮時，大腦根本不需要預先載入一張精密的幾何地圖，也不依賴完美的測距儀器。牠們憑藉的是神經系統中極具適應性的「隱含認知地圖」（Implicit map）機制。 那麼，如果機器人沒有內建地圖，且身上只有幾個低精準度、易受雜訊干擾的紅外線感測器，它怎麼可能光靠幾次人類的「示範」，就能學會在擁有多個房間的複雜環境中穿梭，甚至被瞬間移位都不會迷失？答案藏在一個名為 RC-HC（儲備池運算階層式控制器） 的仿生雙模組架構中。 大腦小腦的運作機制給了機器學習極大的啟發。RC-HC 系統能透過模仿學習實現小數據訓練與建立強大空間認知能力的根本秘密，是以下三個機制彼此合作： 儲備池運算 (Reservoir Computing) —— 捨棄繁瑣訓練的「高維度特徵反射池」 RC-HC 徹底拋棄了傳統 RNN 必須不斷調整內部所有突觸權重的做法。它的內部是一群隨機生成且 連接權重完全固定不變 的神經元網絡（即「儲備池」）。 當低精確度的感測器訊號輸入時，這個儲備池會將簡單的低維度訊號瞬間投影到極度豐富的高維度特徵空間中。系統 唯一需要訓練的只有「輸出層」，只要透過極快的線性迴歸就能找出對應目標的最佳解，完美避開了 BPTT 演算法惱人的收斂難題與龐大計算負擔。 Figure 1：儲備池運算 (Reservoir Computing) 網路。儲備池如同一個時間核心 (Temporal kernel)，能將輸入的訊號投影到豐富的高維度特徵空間中。圖中實線代表固定不變的連接，虛線則代表唯一需要被學習（訓練）的輸出層連接。 定位模組 (Localization Reservoir) —— 具備大腦位置細胞功能的「慢速認知地圖」 這是系統中負責建構空間概念的主力網路。為了讓機器人能在沒有里程計（Odometry）輔助的情況下掌握「自己在哪裡」，定位模組被設定為擁有極低的洩漏率（Le...
