La robotica evolutiva (DevRob), talvolta chiamata robotica epigenetica, è un campo scientifico che mira a studiare i meccanismi di sviluppo, le architetture e i vincoli che consentono l’apprendimento permanente e aperto di nuove abilità e nuove conoscenze nelle macchine incarnate. Come nei bambini umani, l’apprendimento dovrebbe essere cumulativo e progressivamente crescente di complessità, e derivare dall’auto-esplorazione del mondo in combinazione con l’interazione sociale. L’approccio metodologico tipico consiste nel partire dalle teorie dello sviluppo umano e animale elaborate in campi come la psicologia dello sviluppo, la neuroscienza, la biologia evolutiva e evolutiva e la linguistica, per poi formalizzarle e implementarle in robot, a volte esplorandone estensioni o varianti. La sperimentazione di questi modelli nei robot consente ai ricercatori di confrontarli con la realtà e, di conseguenza, la robotica evolutiva fornisce anche feedback e nuove ipotesi sulle teorie dello sviluppo umano e animale.

La robotica dello sviluppo è correlata alla robotica evolutiva (ER), ma differisce da essa. ER utilizza popolazioni di robot che evolvono nel tempo, mentre DevRob è interessato a come l’organizzazione del sistema di controllo di un singolo robot si sviluppa attraverso l’esperienza, nel tempo.

DevRob è anche legato al lavoro svolto nei domini della robotica e della vita artificiale.

sfondo
Un robot può imparare come un bambino? Può imparare una varietà di nuove competenze e nuove conoscenze non specificate in fase di progettazione e in un ambiente parzialmente sconosciuto e mutevole? Come può scoprire il suo corpo e le sue relazioni con l’ambiente fisico e sociale? Come possono le sue capacità cognitive svilupparsi continuamente senza l’intervento di un ingegnere una volta che è “fuori dalla fabbrica”? Cosa può imparare attraverso le interazioni sociali naturali con gli umani? Queste sono le domande al centro della robotica evolutiva. Alan Turing, così come un certo numero di altri pionieri della cibernetica, ha già formulato quelle domande e l’approccio generale nel 1950, ma è solo dalla fine del 20 ° secolo che hanno iniziato a essere indagati sistematicamente.

Poiché il concetto di macchina intelligente adattiva è fondamentale per la robotica dello sviluppo, ha relazioni con campi come l’intelligenza artificiale, l’apprendimento automatico, la robotica cognitiva o la neuroscienza computazionale. Tuttavia, mentre può riutilizzare alcune delle tecniche elaborate in questi campi, differisce da esse da molte prospettive. Si differenzia dall’intelligenza artificiale classica perché non assume la capacità di un ragionamento simbolico avanzato e si concentra su sensorimotoria e abilità sociali incorporate e situate piuttosto che su problemi simbolici astratti. Differisce dall’apprendimento automatico tradizionale perché mira all’apprendimento autodeterminato indipendente dalle attività piuttosto che all’inferenza specifica del compito rispetto a “dati nutriti dai sensori con alimentazione umana” (Weng et al., 2001). Si differenzia dalla robotica cognitiva perché si concentra sui processi che consentono la formazione di capacità cognitive piuttosto che queste stesse capacità. Si differenzia dalla neuroscienza computazionale perché si concentra sulla modellazione funzionale di architetture integrate di sviluppo e apprendimento. Più in generale, la robotica evolutiva è caratterizzata in modo univoco dalle seguenti tre caratteristiche:

Si rivolge a architetture e meccanismi di apprendimento indipendenti dalle attività, ovvero la macchina / il robot deve essere in grado di apprendere nuovi compiti sconosciuti dall’ingegnere;
Enfatizza lo sviluppo aperto e l’apprendimento permanente, cioè la capacità di un organismo di acquisire continuamente nuove capacità. Ciò non dovrebbe essere inteso come una capacità di apprendere “qualsiasi cosa” o anche “tutto”, ma solo che l’insieme di abilità acquisite può essere esteso all’infinito almeno in alcune (non tutte) direzioni;
La complessità delle conoscenze acquisite e delle abilità aumenterà (e l’aumento sarà controllato) progressivamente.

La robotica dello sviluppo è emersa al crocevia di diverse comunità di ricerca tra cui l’intelligenza artificiale incorporata, i sistemi energetici e dinamici, la scienza cognitiva, il connessionismo. Partendo dall’idea essenziale che l’apprendimento e lo sviluppo avvengono come il risultato auto-organizzato delle interazioni dinamiche tra cervello, corpi e il loro ambiente fisico e sociale, e cercando di capire come questa auto-organizzazione può essere imbrigliata per fornire un apprendimento permanente indipendente dal compito di competenze sempre più complesse, la robotica evolutiva interagisce fortemente con campi come la psicologia dello sviluppo, la neuroscienza evolutiva e cognitiva, la biologia dello sviluppo (embriologia), la biologia evolutiva e la linguistica cognitiva. Poiché molte delle teorie che derivano da queste scienze sono verbali e / o descrittive, ciò implica una formalizzazione cruciale e attività di modellazione computazionale nella robotica evolutiva. Questi modelli computazionali quindi non sono solo usati come modi per esplorare come costruire macchine più versatili e adattive, ma anche come un modo per valutare la loro coerenza ed eventualmente esplorare spiegazioni alternative per comprendere lo sviluppo biologico.

Direzioni di ricerca
Domini abilità
A causa dell’approccio generale e della metodologia, i progetti di robotica dello sviluppo si concentrano in genere sul fatto che i robot sviluppano gli stessi tipi di abilità dei bambini umani. Una prima categoria che è importante indagare è l’acquisizione di abilità sensomotorie. Questi includono la scoperta del proprio corpo, compresa la sua struttura e le dinamiche come la coordinazione occhio-mano, la locomozione e l’interazione con gli oggetti, nonché l’uso degli strumenti, con particolare attenzione alla scoperta e all’apprendimento delle affordances. Una seconda categoria di competenze mirate dai robot di sviluppo sono le abilità sociali e linguistiche: l’acquisizione di semplici giochi comportamentali sociali come turn-taking, interazione coordinata, lessici, sintassi e grammatica e il fondamento di queste abilità linguistiche in competenze sensomotorie (talvolta riferite come simbolo di messa a terra). In parallelo, si stanno studiando l’acquisizione di abilità cognitive associate come l’emergere dell’auto / non-auto distinzione, lo sviluppo di capacità attentive, di sistemi di categorizzazione e rappresentazioni di alto livello di affordances o costrutti sociali, dell’emergere di valori , empatia o teorie della mente.

Meccanismi e vincoli
Gli spazi sensomotorio e sociale in cui vivono gli esseri umani e il robot sono così vasti e complessi che solo una piccola parte delle abilità potenzialmente apprendibili può essere esplorata e appresa in pratica in una vita. Pertanto, sono necessari meccanismi e vincoli per guidare gli organismi evolutivi nel loro sviluppo e controllo della crescita della complessità. Ci sono diverse famiglie importanti di questi meccanismi guida e vincoli che sono studiati nella robotica evolutiva, tutti ispirati dallo sviluppo umano:

Sistemi motivazionali, generando segnali di ricompensa interni che guidano esplorazione e apprendimento, che possono essere di due tipi principali:
motivazioni estrinseche spingono robot / organismi per mantenere proprietà interne specifiche di base come il livello di cibo e acqua, l’integrità fisica o la luce (ad esempio nei sistemi fototropici);
motivazioni intrinseche spingono il robot alla ricerca di novità, sfide, compressione o progresso dell’apprendimento in sé, generando ciò che a volte viene chiamato apprendimento ed esplorazione orientato alla curiosità, o in alternativa apprendimento attivo ed esplorazione;
Guida sociale: mentre gli umani imparano molto interagendo con i loro pari, la robotica evolutiva indaga i meccanismi che possono consentire ai robot di partecipare all’interazione sociale simile a quella umana. Attraverso la percezione e l’interpretazione dei segnali sociali, questo può consentire ai robot di imparare dall’uomo (attraverso diversi mezzi come l’imitazione, l’emulazione, il miglioramento dello stimolo, la dimostrazione, ecc …) e di innescare la naturale pedagogia umana. Pertanto, viene anche studiata l’accettazione sociale dei robot evolutivi;
Pregiudizi inferenziali statistici e conoscenze cumulative / riutilizzo delle competenze: i pregiudizi che caratterizzano entrambe le rappresentazioni / codifiche e i meccanismi di inferenza possono in genere consentire un notevole miglioramento dell’efficienza dell’apprendimento e sono quindi studiati. In relazione a ciò, i meccanismi che consentono di dedurre nuove conoscenze e acquisire nuove competenze riutilizzando le strutture precedentemente apprese sono anche un campo di studio essenziale;
Le proprietà della forma di realizzazione, tra cui la geometria, i materiali o le primitive / sinergie motorie innate spesso codificate come sistemi dinamici, possono notevolmente semplificare l’acquisizione di sensorimotorie o abilità sociali e talvolta vengono definite come calcoli morfologici. L’interazione di questi vincoli con altri vincoli è un importante asse di indagine;
Vincoli di maturazione: nei neonati umani, sia il corpo che il sistema neurale crescono progressivamente, piuttosto che essere già a pieno titolo già alla nascita. Ciò implica, ad esempio, che i nuovi gradi di libertà, così come l’aumento del volume e la risoluzione dei segnali sensomotori disponibili, possono apparire come l’apprendimento e lo sviluppo si svolgono. Trasporre questi meccanismi nei robot evolutivi e capire come possa ostacolare o al contrario facilitare l’acquisizione di nuove e complesse capacità è una questione centrale nella robotica evolutiva.

Dallo sviluppo bio-mimetico all’ispirazione funzionale.
Mentre la maggior parte dei progetti di robotica evolutiva interagiscono fortemente con le teorie dello sviluppo animale e umano, i gradi di somiglianza e ispirazione tra i meccanismi biologici identificati e la loro controparte nei robot, così come i livelli di astrazione della modellazione, possono variare molto. Mentre alcuni progetti mirano a modellare con precisione sia la funzione che l’implementazione biologica (modelli neuronali o morfologici), come in neurorobotica, alcuni altri progetti si concentrano esclusivamente sulla modellazione funzionale dei meccanismi e dei vincoli sopra descritti e potrebbero ad esempio riutilizzare le loro tecniche di architettura provenienti da campi di matematica applicata o ingegneria.

Domande aperte
Poiché la robotica evolutiva è un campo di ricerca relativamente nuovo e allo stesso tempo molto ambizioso, restano da risolvere molte sfide aperte fondamentali.

Prima di tutto, le tecniche esistenti sono lontane dal permettere ai robot ad alta dimensionalità del mondo reale di apprendere un repertorio aperto di abilità sempre più complesse per un periodo di vita. Gli spazi sensomotori continui ad alta dimensione sono un ostacolo importante da risolvere. L’apprendimento cumulativo permanente è un altro. In realtà, finora non sono stati realizzati esperimenti di durata superiore a pochi giorni, il che contrasta notevolmente con il periodo di tempo necessario ai bambini umani per apprendere le competenze sensomotorie di base dotate di cervelli e morfologie che sono tremendamente più potenti dei meccanismi computazionali esistenti.

Tra le strategie da esplorare per progredire verso questo obiettivo, l’interazione tra i meccanismi e i vincoli descritti nella sezione precedente dovrà essere studiata in modo più sistematico. In effetti, finora sono stati studiati principalmente in isolamento. Ad esempio, l’interazione tra apprendimento intrinsecamente motivato e apprendimento socialmente guidato, possibilmente limitato dalla maturazione, è una questione essenziale da indagare.

Un’altra sfida importante è quella di consentire ai robot di percepire, interpretare e sfruttare la diversità dei segnali sociali multimodali forniti da esseri umani non ingegneri durante l’interazione uomo-robot. Queste capacità sono per lo più troppo limitate per consentire un efficiente insegnamento generico da parte dell’uomo.

Un problema scientifico fondamentale da comprendere e risolvere, che si applica ugualmente allo sviluppo umano, è il modo in cui la composizione, le gerarchie funzionali, le primitive e la modularità, a tutti i livelli delle strutture sensomotorie e sociali, possono essere formate e sfruttate durante lo sviluppo. Questo è profondamente legato al problema dell’emergere di simboli, a volte definito “il problema dei simboli” quando si parla di acquisizione del linguaggio. In realtà, l’esistenza stessa e il bisogno di simboli nel cervello vengono messi in discussione attivamente, e vengono studiati concetti alternativi, che consentono ancora la composizione e le gerarchie funzionali.

Durante l’epigenesi biologica, la morfologia non è fissa ma piuttosto si sviluppa in costante interazione con lo sviluppo delle capacità sensomotorie e sociali. Lo sviluppo della morfologia pone ovvi problemi pratici con i robot, ma potrebbe essere un meccanismo cruciale che dovrebbe essere ulteriormente esplorato, almeno nella simulazione, come nella robotica morfogenetica.

Un altro problema aperto è la comprensione della relazione tra i fenomeni chiave studiati dalla robotica dello sviluppo (ad esempio, sistemi sensorimotori gerarchici e modulari, motivazioni intrinseche / estrinseche / sociali e apprendimento aperto) e i meccanismi cerebrali sottostanti.

Allo stesso modo, in biologia, i meccanismi di sviluppo (che operano alla scala temporale ontogenetica) interagiscono fortemente con i meccanismi evolutivi (che operano alla scala temporale filogenetica) come mostrato nella fiorente letteratura scientifica “evo-devo”. Tuttavia, l’interazione di questi meccanismi negli organismi artificiali, in particolare i robot evolutivi, è ancora ampiamente sottovalutata. L’interazione tra meccanismi evolutivi, morfologie in evoluzione e sviluppo di competenze sensomotorie e sociali sarà quindi un argomento molto stimolante per il futuro della robotica evolutiva.