Exploring the effects of robotic design on learning and neural control

要約

現在進行中の深層学習革命により、コンピューターはさまざまなゲームで人間を上回り、分類タスク中に人間には知覚できない特徴を認識できるようになりました。
現在の機械学習技術は、特殊なタスクにおいて明らかに他と区別されています。
しかし、専門家レベルで複数のタスクを実行できるロボットはまだ見つかっていません。
この分野のほとんどの研究は、主に静的で前提とされたロボット設計を前提とした、ロボットのコントローラー用のより洗練された学習アルゴリズムの開発に焦点を当てています。
ニューラル コントローラーではなくロボット本体の開発に焦点を当てることで、マルチタスク環境でニューラル コントローラーが遭遇する現在の落とし穴の多くを克服できるようにロボットを設計できることを発見しました。
この発見を通じて、ロボット設計の学習能力と、壊滅的な干渉などの一般的な問題に対する耐性を明示的に測定するための新しい指標も提示します。
従来、物理的なロボットの設計では、人間のエンジニアがシステムのあらゆる側面を計画する必要がありましたが、これには費用がかかり、多くの場合人間の直感に頼っていました。
対照的に、進化ロボット工学の分野では、進化アルゴリズムを使用して最適化された設計が自動的に作成されますが、そのような設計はマルチタスク設定で実行する能力が依然として制限されていることがよくあります。
ここで作成および提示されたメトリクスは、壊滅的な干渉を克服しながら、進化したロボットがコントローラーと相乗して学習の計算効率を向上させることを可能にする自動化設計への新しい道を提供します。
全体として、この論文は、現在のロボットよりも汎用性が高く、より少ない計算量でさまざまなタスクを実行できるロボットを自動的に設計する能力を示唆しています。

要約(オリジナル)

The ongoing deep learning revolution has allowed computers to outclass humans in various games and perceive features imperceptible to humans during classification tasks. Current machine learning techniques have clearly distinguished themselves in specialized tasks. However, we have yet to see robots capable of performing multiple tasks at an expert level. Most work in this field is focused on the development of more sophisticated learning algorithms for a robot’s controller given a largely static and presupposed robotic design. By focusing on the development of robotic bodies, rather than neural controllers, I have discovered that robots can be designed such that they overcome many of the current pitfalls encountered by neural controllers in multitask settings. Through this discovery, I also present novel metrics to explicitly measure the learning ability of a robotic design and its resistance to common problems such as catastrophic interference. Traditionally, the physical robot design requires human engineers to plan every aspect of the system, which is expensive and often relies on human intuition. In contrast, within the field of evolutionary robotics, evolutionary algorithms are used to automatically create optimized designs, however, such designs are often still limited in their ability to perform in a multitask setting. The metrics created and presented here give a novel path to automated design that allow evolved robots to synergize with their controller to improve the computational efficiency of their learning while overcoming catastrophic interference. Overall, this dissertation intimates the ability to automatically design robots that are more general purpose than current robots and that can perform various tasks while requiring less computation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google