Foundational Models for Robotics need to be made Bio-Inspired
Saved in:
| Title: | Foundational Models for Robotics need to be made Bio-Inspired |
|---|---|
| Authors: | Chen, Liming, Nguyen, Sao Mai |
| Contributors: | Chen, Liming |
| Source: | 2025 IEEE International Conference on Advanced Robotics and its Social Impacts (ARSO). :126-133 |
| Publisher Information: | IEEE, 2025. |
| Publication Year: | 2025 |
| Subject Terms: | Grounded Reasoning, Sparse Mixture of Experts (MoE), Self-Supervised Learning, Sensorimotor Integration, Bio-Inspired Robotics, Foundation Models for Robotics (FMRs), Intrinsic Motivation, [INFO.INFO-RB] Computer Science [cs]/Robotics [cs.RO], Memory-Augmented Models, Embodied Chain-of-Thought (E-CoT), Embodied AI, Multimodal Learning, Interactive Robot Learning |
| Description: | Les Modèles Fondamentaux pour la Robotique (FMR) promettent d'apporter une intelligence généraliste à grande échelle aux systèmes incarnés. Cependant, leur capacité à intégrer la perception, l'action et le raisonnement dans des environnements physiquement ancrés reste limitée. Dans cet article, nous soutenons que le développement des FMR nécessite de s'inspirer des systèmes biologiques, notamment de la cognition, du développement et de l'apprentissage sensorimoteur humains. Nous présentons cinq principes clés bio-inspirés pour les futurs FMR : (1) des architectures mémorielles intégrant des structures sémantiques, épisodiques et procédurales ; (2) un raisonnement structuré ancré, illustré par les processus de chaîne de pensée incarnée (E-CoT) ; (3) l'intégration d'un retour sensorimoteur multimodal, incluant le toucher et la proprioception ; (4) l'apprentissage auto-motivé par le jeu simulé et l'exploration intrinsèque ; et (5) l'efficacité neuronale grâce à l'activation experte éparse, la spécialisation fonctionnelle et le raisonnement modulaire. Ces éléments permettent la généralisation, la compositionnalité et la robustesse, des caractéristiques démontrées depuis longtemps par les humains, mais sous-représentées dans les modèles robotiques actuels. Bien que ce travail n’aborde pas en profondeur la fiabilité et la sécurité, nous les identifions comme des orientations futures essentielles pour le développement de FMR fiables et alignés sur l’humain. Foundation Models for Robotics (FMRs) promise to bring large-scale, generalist intelligence to embodied systems, yet they remain limited in their ability to integrate perception, action, and reasoning in physically grounded environments. In this paper, we argue that advancing FMRs requires drawing inspiration from biological systems-specifically human cognition, development, and sensorimotor learning. We outline five key bio-inspired principles for future FMRs: (1) memory architectures incorporating semantic, episodic, and procedural structures; (2) grounded structured reasoning, as exemplified by embodied chain-of-thought (E-CoT) processes; (3) integration of multimodal sensorimotor feedback, including touch and proprioception; (4) self-motivated learning through simulated play and intrinsic exploration; and (5) neural efficiency through sparse expert activation, functional specialization, and modular reasoning. These elements enable generalization, compositionality, and robustness-traits long demonstrated by humans but underrepresented in current robotic models. While this work does not address reliability and safety in depth, we identify them as essential future directions for developing trustworthy, human-aligned FMRs. |
| Document Type: | Article Conference object |
| File Description: | application/pdf |
| DOI: | 10.1109/arso64737.2025.11124992 |
| Access URL: | https://hal.science/hal-05086677v1 |
| Rights: | STM Policy #29 |
| Accession Number: | edsair.doi.dedup.....77a19345e9035ccdf28e9441dbf07ad0 |
| Database: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstract: | Les Modèles Fondamentaux pour la Robotique (FMR) promettent d'apporter une intelligence généraliste à grande échelle aux systèmes incarnés. Cependant, leur capacité à intégrer la perception, l'action et le raisonnement dans des environnements physiquement ancrés reste limitée. Dans cet article, nous soutenons que le développement des FMR nécessite de s'inspirer des systèmes biologiques, notamment de la cognition, du développement et de l'apprentissage sensorimoteur humains. Nous présentons cinq principes clés bio-inspirés pour les futurs FMR : (1) des architectures mémorielles intégrant des structures sémantiques, épisodiques et procédurales ; (2) un raisonnement structuré ancré, illustré par les processus de chaîne de pensée incarnée (E-CoT) ; (3) l'intégration d'un retour sensorimoteur multimodal, incluant le toucher et la proprioception ; (4) l'apprentissage auto-motivé par le jeu simulé et l'exploration intrinsèque ; et (5) l'efficacité neuronale grâce à l'activation experte éparse, la spécialisation fonctionnelle et le raisonnement modulaire. Ces éléments permettent la généralisation, la compositionnalité et la robustesse, des caractéristiques démontrées depuis longtemps par les humains, mais sous-représentées dans les modèles robotiques actuels. Bien que ce travail n’aborde pas en profondeur la fiabilité et la sécurité, nous les identifions comme des orientations futures essentielles pour le développement de FMR fiables et alignés sur l’humain.<br />Foundation Models for Robotics (FMRs) promise to bring large-scale, generalist intelligence to embodied systems, yet they remain limited in their ability to integrate perception, action, and reasoning in physically grounded environments. In this paper, we argue that advancing FMRs requires drawing inspiration from biological systems-specifically human cognition, development, and sensorimotor learning. We outline five key bio-inspired principles for future FMRs: (1) memory architectures incorporating semantic, episodic, and procedural structures; (2) grounded structured reasoning, as exemplified by embodied chain-of-thought (E-CoT) processes; (3) integration of multimodal sensorimotor feedback, including touch and proprioception; (4) self-motivated learning through simulated play and intrinsic exploration; and (5) neural efficiency through sparse expert activation, functional specialization, and modular reasoning. These elements enable generalization, compositionality, and robustness-traits long demonstrated by humans but underrepresented in current robotic models. While this work does not address reliability and safety in depth, we identify them as essential future directions for developing trustworthy, human-aligned FMRs. |
|---|---|
| DOI: | 10.1109/arso64737.2025.11124992 |