标题《对机器人感知运动系统认知模型的研究》及描述中，主要聚焦于机器人感知运动系统的认知模型。本文详细地介绍了一种基于斯金纳操作性条件反射原理(self-reinforcement learning)的认知模型，重点阐述了模型的三个组成部分：小脑、基底神经节和大脑皮层，并阐述了这些部分如何协同工作形成一个闭环反馈感知运动系统。模型的结构、功能和算法均在论文中得到了详细的描述，该模型通过模拟和实验在两轮机器人上得到了验证，结果表明该模型具有良好的认知特性，并能通过自学习掌握平衡控制技能。
关键词包括认知模型、小脑、基底神经节、大脑皮层、感知运动系统和机器人。
详细知识点如下：
1. 认知模型：认知模型是模拟生物大脑处理信息的一种模型。在本研究中，它特指用于机器人感知运动系统的认知模型。这一模型的目的是使机器人能够通过自身的学习机制来改善其性能，即通过操作性条件反射原理来训练机器人完成复杂的感知运动任务，如平衡控制。
2. 斯金纳操作性条件反射原理：该原理是由心理学家B.F.斯金纳提出的行为主义理论，它描述了通过奖励和惩罚来强化或减少某个行为的过程。在机器人学习中，这种原理被用于指导机器人如何通过尝试和错误来学习特定的任务，从而形成、发展和提升运动平衡控制技能。
3. 模型的三个组成部分：
- 小脑：负责将感知运动状态映射到动作，通过有监督的学习机制实现。在人类和其他动物中，小脑在运动协调和控制方面起着关键作用。
- 基底神经节：根据操作性条件反射理论和行动预测评估的结果来决定适当的行动。基底神经节参与规划复杂运动行为，同时在奖励机制中扮演重要角色。
- 大脑皮层：收集信息并发送给小脑和基底神经节，形成闭环反馈感知运动系统。大脑皮层是控制高级认知功能的区域，负责处理来自外部世界的复杂信息。
4. 模拟和实验结果：在两轮机器人上进行的模拟和实验验证了模型的有效性。这表明，提出的认知模型能够使机器人在运动中通过自我学习掌握平衡控制技能，且该模型具备较好的认知特性。
5. 学习能力：作为智能体的关键属性，学习能力使得机器人能够通过与环境的互动来提升其性能。尽管现有的智能算法在计算能力和复杂度方面已经取得了快速发展，但目前的人工智能系统仍然不如生物控制系统那样灵活和稳定。这也是为什么研究者们对机器人如何像人或动物那样学习技能，并通过操作性条件反射在感知运动系统中形成、发展和提升运动平衡控制技能感兴趣的原因。
6. 自学习(self-learning)：自学习是机器人认知模型中一个非常重要的概念，它意味着机器人无需外部干预即可通过经验学习来改进其行为或决策过程。
7. 感知运动系统：感知运动系统是神经系统中负责整合接收功能和运动功能的部分。在生物学中，它涉及到感知外部世界和产生适当反应的过程。在机器人技术中，模拟这种系统是理解机器人如何与周围环境互动的关键。
8. 闭环反馈系统：闭环反馈系统是系统反馈环路中的一个概念，用于通过持续监测输出并对输入进行调整来维持或提升性能。在本研究的感知运动模型中，这表示机器人如何接收外界信息，执行动作，并基于结果反馈进一步调整其行为。
该研究获得国家自然科学基金(***)支持，并由北京科技大学自动化与电气工程学院的陶石等人完成。
