要約
進化ロボティクスでは、ロボットの設計とコントローラーを共同で最適化することは、本体とコントローラーの可能な組み合わせによって形成されるソリューション空間が非常に複雑であるため、困難な作業です。
私たちは、ボクセルベースのシャーシ、車輪、脚、センサーを含む豊富な形態学的空間で、単にシミュレートするのではなく物理的に作成できるロボットの進化に焦点を当てています。
このスペースは、製造可能なロボットの範囲において高度な自由度を提供する一方で、コントローラーを設計に適合させたり、閉ループ制御を進化させることに関して、これまでの研究ではほとんど扱われなかった複雑さを導入します。
。
これは通常、学習アルゴリズムを使用して進化を強化し、コントローラーを改良することで解決されます。
フレームワークはいくつか存在しますが、高性能ロボットの実現における、絡み合った「進化 + 学習」プロセスの \textit{進化ダイナミクス} の役割を研究したものはほとんどありません。
私たちは、これらのダイナミクスに影響を与える要因、具体的には、同期進化と非同期進化。
親を子に置き換えるメカニズム、および選択による目新しさではなく、目標に基づいた適応度に報酬を与えるメカニズム。
結果は、非同期性と目標ベースの選択および「最悪を置き換える」戦略を組み合わせると、最高のパフォーマンスが得られることを示しています。
要約(オリジナル)
In evolutionary robotics, jointly optimising the design and the controller of robots is a challenging task due to the huge complexity of the solution space formed by the possible combinations of body and controller. We focus on the evolution of robots that can be physically created rather than just simulated, in a rich morphological space that includes a voxel-based chassis, wheels, legs and sensors. On the one hand, this space offers a high degree of liberty in the range of robots that can be produced, while on the other hand introduces a complexity rarely dealt with in previous works relating to matching controllers to designs and in evolving closed-loop control. This is usually addressed by augmenting evolution with a learning algorithm to refine controllers. Although several frameworks exist, few have studied the role of the \textit{evolutionary dynamics} of the intertwined `evolution+learning’ processes in realising high-performing robots. We conduct an in-depth study of the factors that influence these dynamics, specifically: synchronous vs asynchronous evolution; the mechanism for replacing parents with offspring, and rewarding goal-based fitness vs novelty via selection. Results show that asynchronicity combined with goal-based selection and a `replace worst’ strategy results in the highest performance.
arxiv情報
| 著者 | Léni K. Le Goff,Edgar Buchanan,Emma Hart |
| 発行日 | 2024-03-15 13:45:27+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google