〖内容摘要〗机器人受神经启发已经有很长的历史，包括模拟反射的反应系统、产生运动模式的神经振荡器，以及神经网络作为可训练的高维感官信息过滤器。在认知水平上，神经刺激的成功率较低。更多的是用计算算法来解决，而不是用神经过程模型。为了将神经过程模型从反应行为转移到认知，自主生成处理步骤序列的能力至关重要。我们回顾了一个基于强递归神经网络（称为神经动态系统）的潜在解决方案。他们的稳定状态执行基本的运动或认知功能，同时耦合到感官输入。当先前稳定的神经状态变得不稳定时，神经动力学的状态转变为新的运动或认知功能。只有当一个神经机器人系统能够自主行动时，它才对人类用户有用。我们演示了支持自主序列生成的神经动态体系结构如何参与这种交互。人类用户以特定的顺序向机器人呈现彩色物体，从而定义了一系列颜色概念。然后，用户将系统公开到一个可视场景中，该场景包含新空间排列中的彩色对象。机器人通过连续地将物体带到注意前景中，自主地构建场景表示。如果场景更改，则场景内存将更新。机器人执行视觉搜索，然后按指示的顺序到达目标。这样，机器人可以跨越时间和空间进行概括，能够在元素丢失时等待，并在场景发生变化时在线更新其动作计划。整个行为流程是从一个不需要任何控制或监控算法的时间连续神经动力学中产生的。

〖来源〗Front. Neurorobot., 15 November 2019