Рейтинг:  0 / 5

Звезда не активнаЗвезда не активнаЗвезда не активнаЗвезда не активнаЗвезда не активна
 
Эволюция и Роботы - как связаны два разных мира?

Эволюционная робототехника (ЭР) – методология, использующая эволюционное моделирование для разработки операторов и/или аппаратной части для автономных роботов.

Алгоритмы в ЭР часто управляют совокупностью операторов-кандидатов, изначально выбранных по определенному распределению. Эта совокупность в дальнейшем многократно меняется согласно функции приспособленности. В случае с генетическими алгоритмами, распространенным методом в эволюционном моделировании, совокупность операторов-кандидатов регулярно растет в соответствии с гибридами, мутациями и другими ГА-операторами, а затем их отбраковывают согласно функции приспособленности. Операторы-кандидаты, используемые в ЭР, могут быть выделены из определенного подмножества в множестве искусственных нейронных сетей, хотя в некоторых случаях (в числе которых – «SAMUEL», разработанный Центром ВМФ по прикладным исследованиям в области искусственного интеллекта) используются наборы правил условных операторов, как составных элементов отдельного оператора.

Теоретически возможно использовать любой набор символьных формулировок закона контроля (иногда называемого системой в сообществе, посвященном машинному обучению), как пространство для возможных операторов-кандидатов. Искусственные нейронные сети также можно использовать для обучения роботов вне контекста эволюционной робототехники. В частности, для обучения роботов-операторов можно будет использовать другие формы обучения с подкреплением.

Робототехника развития связана, но не похожа на эволюционную робототехнику. ЭР использует совокупности роботов, развивающихся со временем, тогда как робототехника развития заинтересована в том, как организация системы управления отдельным роботом может меняться с получением опыта и с течением времени.

История.

Основы ЭР были заложены в 1990-х годах во время работы с Национальным советом по исследованиям в Риме, но изначальная идея кодирования системы управления робота в геноме и получения искусственной эволюции была доведена до совершенства еще в конце 1980-х годов.

В 1992-1993 годах три исследовательских группы, где первая работала с Дарио Флореано и Франческо Монданой из Федеральной политехнической школы в Лозанне, вторая – с Дэйвом Клиффом, Инманом Харви и Филом Хасбендсом из Школы когнитивных и вычислительных наук при Суссекском университете, а третья – с Энтони Льюисом и Эндрю Фэггом из Университета Южной Калифорнии, сообщили о многообещающих результатах после экспериментов над искусственной эволюцией автономных роботов. Успех этих первых исследований запустил волну деятельности в лабораториях по всему миру, пытаясь покорить потенциал подхода.

В последнее время трудности в «увеличении» сложности заданий для роботов несколько сдвинули фокус в сторону теоретических аспектов отрасли, а не практических.

Цели.

Эволюционная робототехника связано с многими различными целями, часто – одновременно. Среди них – создание способных операторов для заданий для роботов в реальном мире, исследование сложностей эволюционной теории (как, например, эффект Болдуина), воспроизведение психологических феноменов, и распознавание биологических нейронных сетей за счет изучения их искусственных аналогов. Создание операторов посредством искусственной эволюции требует большого количества вычислений большой совокупности. Это требует очень много времени, что является одной из причин того, что развитие операторов обычно происходит в программном обеспечении. Также, стартовые случайные операторы могут демонстрировать потенциально вредоносное поведение, например, периодически врезаясь в стену, что может причинить роботу вред. Перемещение операторов, вовлеченных в симуляцию для физически существующих роботов – крайне тяжелая задача, и главный вызов для подхода ЭР. Причина – в том, что эволюция позволяет свободно исследовать все возможности для получения более серьезных способностей, включающих любые неточности модели. Эта потребность в большом количестве вычислений, требующих быстрых, но точных компьютерных симуляций, является одним из ограничивающих факторов подхода ЭР.

В редких случаях эволюционное моделирование может использоваться для разработки физической структуры робота, помимо операторов. Одним из самых известных примеров был демонстрационный проекта Карла Симса для компании «Thinking Machines Corporation».

Мотивации.

Многие из распространенных алгоритмов машинного обучения требует набора обучающих последовательностей, состоящих как из гипотетических данных, так и из желаемых ответов. Во многих отраслях роботизированного обучения желаемым ответом станет действие, необходимое роботу. Эти действия, как правило, не известны заранее, из-за чего робот, даже при лучших условиях, могут получить данные, говорящие об успехе или провале предпринятого действия. Эволюционные алгоритмы являют собой естественные решения этого класса проблем, так как функция приспособленность нуждается лишь в шифровании успеха или провала в конкретном операторе, а не в точных действиях, которые оператору необходимо выполнить. Альтернативой использованию эволюционного моделирования для обучения роботов является использование других форм обучения с подкреплением, как, например, Q-обучение, для обучения соответствию любым конкретным действиям и дальнейшего косвенного обучения использованию расчетных значений соответствий для создания оператора.

 

joomline.net

Добавить комментарий

За некорректные комментарии доступ к сайту будет закрыт


Защитный код
Обновить

ХОТИТЕ ЗНАТЬ НЕМНОГО БОЛЬШЕ ЧЕМ ДРУГИЕ?

Раз в неделю мы отправляем дайджест с самыми популярными статьями.
Спасибо, я уже подписан

Мавик про

О портале

Наш портал рад представить Вашему вниманию необычный взгляд о мире роботов и робототехники.

Ищите полезные для себя новости и материалы, участвуйте в опросах и конкурсах. Приятного полета!

Наши партнеры

©2018 RusRobotiks. Все права защищены.