Evolving Multi-Objective Neural Network Controllers for Robot Swarms

要約

多くの群ロボットタスクは、複数の相反する目標で構成されています。
この研究は、ロボットの群れのコントローラーを開発するための多目的進化的ニューラル ネットワーク アプローチを提案しています。
群れロボット コントローラーは、忠実度の低い Python シミュレーターでトレーニングされ、その後、Webbot を使用して忠実度の高いシミュレート環境でテストされます。
次に、より多数のロボットが存在する環境に対する、進化した多目的ロボット コントローラーの拡張性をテストするためにシミュレーションが実行されます。
提示された結果は、提案されたアプローチが各ロボットを効果的に制御できることを示しています。
ロボットの群れは、各目標の重み付けが調整されると、さまざまな動作を示します。
この結果は、低忠実度のシミュレータで進化した多目的ニューラル ネットワーク コントローラーを高忠実度のシミュレート環境に移行できること、およびコントローラーがさらなる再トレーニングを必要とせずに、より多くのロボットが存在する環境に拡張できることも確認しています。

要約(オリジナル)

Many swarm robotics tasks consist of multiple conflicting objectives. This research proposes a multi-objective evolutionary neural network approach to developing controllers for swarms of robots. The swarm robot controllers are trained in a low-fidelity Python simulator and then tested in a high-fidelity simulated environment using Webots. Simulations are then conducted to test the scalability of the evolved multi-objective robot controllers to environments with a larger number of robots. The results presented demonstrate that the proposed approach can effectively control each of the robots. The robot swarm exhibits different behaviours as the weighting for each objective is adjusted. The results also confirm that multi-objective neural network controllers evolved in a low-fidelity simulator can be transferred to high-fidelity simulated environments and that the controllers can scale to environments with a larger number of robots without further retraining needed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google