强烈要求机器人具有自主功能，例如自发性。自主机器人的许多控制机制都受到包括人类在内的动物功能的启发。机器人专家通常使用预定义的模块和控制方法来设计机器人行为，这使其成为特定于任务的对象，从而限制了它们的灵活性。研究人员提供了一种基于机器学习的替代方法，该方法可以利用复杂的时间模式（例如动物大脑的神经活动）来设计自发行为。他们希望看到他们的设计在机器人平台上实现，以提高其自主能力。

机器人及其控制软件可以归类为动力系统，这是描述事物内部状态不断变化的数学模型。有一类动力系统这种称为高维混沌的方法吸引了许多研究人员，因为它是对动物大脑进行建模的有效方法。然而，由于系统参数的复杂性及其对变化的初始条件的敏感性，通常很难获得对高维混沌的控制，这种现象被术语“蝴蝶效应”所普及。东京大学智能系统与信息学实验室和下一代人工智能研究中心的研究人员探索了利用高维混沌动力学实现类人认知功能的新颖方法。

博士生Kasuma Inoue说：“高维混沌的一个方面叫做混沌迭代（CI），它可以解释记忆记忆和联想过程中的大脑活动。”

“在机器人技术中，CI一直是实现自发行为模式的关键工具。在这项研究中，我们提出了仅通过使用高维混沌生成的复杂时间序列模式以简单而系统的方式实施CI的方法。这种方法在设计认知体系结构方面具有潜力，可以用于更强大和更通用的应用程序。它允许我们设计自发行为，而无需在控制器中使用任何预定义的显式结构，否则将成为障碍。

储层计算（RC）是一种基于动态系统理论的机器学习技术，它是团队研究方法的基础。RC用于控制一种称为递归神经网络（RNN）的神经网络。与其他用于调整神经网络中所有神经连接的机器学习方法不同，RC仅调整一些参数，同时使RNN的所有其他连接保持固定，从而可以更快地训练系统。当研究人员将RC原理应用于混乱的RNN时，它表现出了他们希望的自发行为模式。一段时间以来，这已被证明是机器人技术和人工智能领域的一项艰巨任务。此外，对网络的培训是在执行之前并在短时间内进行的。

“动物大脑在其活动中会产生高维混沌，但尚无法解释它们如何以及为何利用混沌。我们提出的模型可以提供查看，以了解混沌如何促进大脑中的信息处理，”中岛Kohei副教授说。“此外，我们的配方将在神经科学领域之外产生更广泛的影响，因为它也有可能被应用到其他混沌系统中。例如，受生物神经元启发的下一代神经形态设备可能会表现出高维混沌，希望能在不久的将来看到人为地实现大脑功能。”