Войти
Эволюционная робототехника (ER) - это методология, использующая эволюционные вычисления для разработки контроллеров и / или оборудования для автономных роботов. Алгоритмы в ER часто работают с совокупностями кандидатов в контроллеры, изначально выбранными из некоторого распределения. Эта совокупность затем многократно модифицируется в соответствии с функцией приспособленности. В случае генетических алгоритмов (или «ГА»), общего метода в эволюционных вычислениях, популяция кандидатов в контроллеры многократно выращивается в соответствии с кроссовером, мутацией и другими GA и затем отбираются в соответствии с функцией пригодности . Контроллеры-кандидаты, используемые в приложениях ER, могут быть взяты из некоторого подмножества набора искусственных нейронных сетей, хотя некоторые приложения (включая SAMUEL, разработанные в Военно-морском центре прикладных исследований в области искусственного интеллекта) используют наборы " IF THEN ELSE »управляет как составные части отдельного контроллера. Теоретически возможно использовать любой набор символических формулировок закона управления (иногда называемого политикой в сообществе машинного обучения ) в качестве пространства возможных кандидатов. контроллеры. Искусственные нейронные сети также могут использоваться для обучения роботов вне контекста эволюционной робототехники. В частности, для обучения контроллеров роботов можно использовать другие формы обучения с подкреплением.
Развитая робототехника связана с эволюционной робототехникой, но отличается от нее. ER использует популяции роботов, которые развиваются с течением времени, тогда как DevRob интересуется тем, как организация системы управления одним роботом развивается на основе опыта и времени.
Фундамент ER был заложен в ходе работы в Национальном исследовательском совете в Риме в 90-х годах, но первоначальная идея кодирования системы управления роботом в геном и У искусственной эволюции его усовершенствование восходит к концу 80-х.
В 1992 и 1993 годах три исследовательские группы, одна из которых занималась Флореано и Мондада в EPFL в Лозанне и во втором участвовали Клифф, Харви и Мужья из COGS в Университете Сассекса, а в третьем - Университет Южной Калифорнии привлек М. Энтони Льюис и сообщил многообещающие результаты экспериментов по искусственной эволюции автономных роботов. Успех этого раннего исследования вызвал волну активности в лабораториях по всему миру, пытающихся использовать потенциал этого подхода.
В последнее время трудность «увеличения» сложности задач роботов несколько сместила внимание в сторону теоретической области, а не инженерной.
Эволюционная робототехника преследует множество разных целей, часто одновременно. К ним относятся создание полезных контроллеров для реальных задач роботов, изучение тонкостей эволюционной теории (например, эффект Болдуина ), воспроизведение психологических явлений и изучение биологических нейронных сетей путем изучения искусственных. Создание контроллеров посредством искусственной эволюции требует большого количества оценок большой популяции. Это занимает очень много времени, что является одной из причин, почему эволюция контроллера обычно осуществляется программно. Кроме того, начальные случайные контроллеры могут демонстрировать потенциально опасное поведение, например многократное врезание в стену, что может привести к повреждению робота. Перенос контроллеров, созданных при моделировании, на физических роботов очень сложно и представляет собой серьезную проблему при использовании подхода ER. Причина в том, что эволюция может свободно исследовать все возможности для получения высокой приспособленности, включая любые неточности моделирования. Эта потребность в большом количестве оценок, требующих быстрого, но точного компьютерного моделирования, является одним из ограничивающих факторов подхода ER.
В редких случаях эволюционные вычисления могут использоваться для проектирования физической структуры робота в дополнение к контроллеру. Одним из наиболее ярких примеров этого была демонстрация Карла Симса для Thinking Machines Corporation.
Многие из часто используемых алгоритмов машинного обучения требуется набор обучающих примеров, состоящих как из гипотетических входных данных, так и из желаемого ответа. Во многих приложениях для обучения роботов желаемый ответ - это действие, которое должен предпринять робот. Эти действия обычно не известны явно априори, вместо этого робот может, в лучшем случае, получить значение, указывающее на успех или неудачу данного предпринятого действия. Эволюционные алгоритмы - естественные решения для такого рода проблемной структуры, поскольку функция приспособленности должна кодировать только успех или неудачу данного контроллера, а не точные действия, которые контроллер должен был предпринять. Альтернативой использованию эволюционных вычислений в обучении роботов является использование других форм обучения с подкреплением, таких как q-learning, для изучения пригодности того или иного конкретного действия, а затем косвенно использовать прогнозируемые значения пригодности для создания контроллера.
Интерактивный робот Octavia Центра прикладных исследований ВМФ в Искусственный интеллект 