Эволюционная робототехника (ER) — это методология, которая использует эволюционные вычисления для разработки контроллеров и / или аппаратных средств для автономных роботов. Алгоритмы в ER часто работают с популяциями кандидатов-контроллеров, изначально выбранных из некоторого дистрибутива. Затем эта популяция многократно модифицируется в соответствии с функцией пригодности. В случае генетических алгоритмов (или «GA»), общего метода в эволюционном вычислении, популяция кандидатов-регуляторов неоднократно выращивается в соответствии с кроссовером, мутацией и другими операторами GA, а затем отбирается 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, разработанный в Военно-морском центре прикладных исследований в области искусственного интеллекта) используют коллекции правил «ЕСЛИ ТОЛЬКО ЭЛЬДЕ» как составные части отдельного контроллера. Теоретически можно использовать любой набор символических формулировок закона управления (иногда называемый политикой в ​​сообществе машинного обучения) как пространство возможных кандидатов-контроллеров. Искусственные нейронные сети могут также использоваться для обучения роботов вне контекста эволюционной робототехники. В частности, для обучения роботов-контроллеров могут использоваться другие формы обучения усилению. Теоретически можно использовать любой набор символических формулировок закона управления (иногда называемый политикой в ​​сообществе машинного обучения) как пространство возможных кандидатов-контроллеров. Искусственные нейронные сети могут также использоваться для обучения роботов вне контекста эволюционной робототехники. В частности, для обучения роботов-контроллеров могут использоваться другие формы обучения усилению. Теоретически можно использовать любой набор символических формулировок закона управления (иногда называемый политикой в ​​сообществе машинного обучения) как пространство возможных кандидатов-контроллеров. Искусственные нейронные сети могут также использоваться для обучения роботов вне контекста эволюционной робототехники. В частности, для обучения роботов-контроллеров могут использоваться другие формы обучения усилению.

Робототехника развития связана, но отличается от эволюционной робототехники. ER использует популяции роботов, которые эволюционируют со временем, тогда как DevRob интересуется тем, как организация системы управления отдельными роботами развивается через опыт, со временем.

история
Основа ER была заложена работой в национальном исследовательском совете в Риме в 90-х годах, но первоначальная идея кодирования системы управления роботом в геноме и улучшения искусственной эволюции началась с конца 80-х годов.

В 1992 и 1993 годах три исследовательские группы, одна из которых окружала Флореано и Мондада в EPFL в Лозанне, а вторая — Cliff, Harvey и Husbands от COGS в Университете Сассекса, а третья часть из Университета Южной Калифорнии привлекла М. Энтони Льюиса и Andrew H Fagg сообщил о многообещающих результатах экспериментов по искусственной эволюции автономных роботов. Успех этого раннего исследования вызвал волну активности в лабораториях во всем мире, пытаясь использовать потенциал подхода.

В последнее время сложность «масштабирования» сложности задач робота несколько сместила внимание на теоретический конец поля, а не на инженерную.

Цели
Эволюционная робототехника выполняется с множеством разных целей, часто в одно и то же время. К ним относятся создание полезных контроллеров для реальных задач робота, изучение тонкостей эволюционной теории (таких как эффект Болдуина), воспроизведение психологических явлений и поиск биологических нейронных сетей путем изучения искусственных. Создание контроллеров посредством искусственной эволюции требует большого количества оценок большого населения. Это очень трудоемко, что является одной из причин, по которым эволюция контроллера обычно выполняется в программном обеспечении. Кроме того, исходные случайные контроллеры могут проявлять потенциально опасное поведение, например, многократно врезаться в стену, что может повредить робота. Передача контроллеров, разработанных в симуляции для физических роботов, очень сложна и является серьезной проблемой при использовании подхода ER. Причина в том, что эволюция позволяет исследовать все возможности для получения высокой физической подготовки, 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 эволюционное вычисление может быть использовано для проектирования физической структуры робота в дополнение к контроллеру. Одним из наиболее примечательных примеров этого была демонстрация Карла Симса для корпорации «Мышление Машины».

мотивация
Многие из широко используемых алгоритмов машинного обучения требуют набора примеров обучения, состоящих как из гипотетического ввода, так и из желаемого ответа. Во многих приложениях для обучения роботов желаемый ответ — это действие для робота. Эти действия обычно неизвестны явно априори, вместо этого робот может, в лучшем случае, получать значение, указывающее на успех или неудачу данного предпринятого действия. Эволюционные алгоритмы являются естественными решениями для такого рода проблемных систем, поскольку функция пригодности требует только кодирования успеха или отказа конкретного контроллера, а не точных действий, которые должен был предпринять контроллер. Альтернативой использованию эволюционных вычислений в обучении роботов является использование других форм обучения подкреплению, таких как q-learning, изучение пригодности любого конкретного действия,

Конференции и институты

Основные конференции
Конференция по генетическим и эволюционным вычислениям
Конгресс IEEE по эволюционным вычислениям
Европейская конференция по искусственной жизни
Жизнь

Академические институты и исследователи
Технологический университет Чалмерса: Питер Нордин, Проект «Гуманоид»
Университет Сассекса: Инман Харви, Фил Мужья, Эзекиэль Ди Паоло
Consiglio Nazionale delle Ricerche (CNR): Стефано Нольфи
EPFL: Дарио Флореано
Университет Цюриха: Рольф Пфейфер
Корнельский университет: Ход Липсон
Университет Вермонта: Джош Бонгард
Индиана Университет: Рэндалл Пиво
Центр робототехники и интеллектуальных машин, Университет штата Северная Каролина: Эдди Грант, Эндрю Нельсон
Университетский колледж Лондона: Питер Дж. Бентли
Лаборатория робототехники IDSIA: Юрген Шмидхубер, Юси Лейтнер
Военно-морская исследовательская лаборатория США
Университет Оснабрюка, Neurocybernetics Группа: Фрэнк Пасеманн
Evolved Virtual Creatures от Karl Sims (GenArts)
Искусственная роботизированная жизнь Кен Ринальдо
Команда европейских разработчиков космического агентства: Дарио Изццо
Университет Страны Басков (УПВ-ЕГУ): Роботика Эволютива, Пабло Гонсалес-Налда (на испанском языке) PDF (на английском языке)
Университет Плимута: Анджело Канджелоси, Давиде Марокко, Фабио Руини, Мартин Пеньяк
Университет Хериот-Ватт: Патриция А. Варгас
Университет Пьера и Мари Кюри, ISIR: Стефан Донсье, Жан-Батист Мурет
Университет Париж-Суд и INRIA, IAO / TAO: Николас Бредече
Научно-исследовательский институт мозга им.
Институт технологии Карлсруэ, Институт прикладной информатики и формальных методов описания: Лукас Кениг