给定一个机器人，例如在图书馆看书。

现在我想创建一个神经网络，在这种情况下建议采取适当的行动。而且，一般来说，忽略诸如“起床跳舞”之类的动作。

由于机器人可以做的动作是无限的，我需要把它缩小到在这种情况下的那些。使用它的视觉系统，“书”这个词和书本神经元应该已经被激活以及“阅读”。

我的一个想法是创建一个对抗网络，它根据“翻页”、“阅读下一行”等情况生成单词（字母序列）。然后有另一个神经网络将这些词转化为行动。（他们会模拟这是否是一个好主意。如果不是，它会以某种方式抑制第一个单词并尝试生成一个新单词。）

另一个例子是机器人在迷宫中并到达十字路口。网络将生成单词“左转”和“右转”。

另一个想法是让动作由身体部位（例如“眼睛”）和动作（例如“向左移动”）组成，并将这些组合起来以建议动作。

不管怎样，我似乎需要一种对动作进行编码的方法，这样机器人就不会考虑宇宙中所有可能的动作。

在这方面是否有任何研究或关于如何实现这一目标的想法？

（我认为这可能与“尽可能多地命名动物”的任务有关。）