Efficient and Diverse Generative Robot Designs using Evolution and Intrinsic Motivation

要約

ロボットの物理的構成を生成的に設計する手法は、複雑な環境における困難なタスクの最適かつ革新的な解決策を自動的に見つけることができる。広大な探索空間には物理設計空間とコントローラパラメータ空間が含まれるため、機械学習や最適化全般において困難な問題である。進化的アルゴリズム(EA)は、勾配のない最適化によってロボットデザインを生成する際に有望な結果を示している。学習付き形態進化(MEL)は、EAを用いてロボット設計の生成とコントローラの最適パラメータの学習を同時に行う。MELは、計算コストと最適でない設計への早期収束という2つの主要な問題により、より複雑なタスクへの拡張を妨げている。これらの問題に対処するために、我々は形態進化と内在的動機付けを組み合わせることを提案する。内発的動機付けのある行動は、外部からのガイダンスなしに、体現と単純な学習ルールから生じる。ホメオキネティック・コントローラーを使用することで、ロボットの設計に関する知識が少なくても、探索行動を数秒で生成することができる。ホメオキネシスは、コストのかかる学習フェーズに取って代わり、計算時間を短縮し、多様性を促進し、早期収束を防ぐ。我々は、いくつかの下流タスクにおいて、現在のMEL手法と我々のアプローチを比較した。生成されたデザインは全てのタスクで高いスコアを示し、より多様であり、静的パラメータを用いた形態進化と比較して高速に生成される。

要約(オリジナル)

Methods for generative design of robot physical configurations can automatically find optimal and innovative solutions for challenging tasks in complex environments. The vast search-space includes the physical design-space and the controller parameter-space, making it a challenging problem in machine learning and optimisation in general. Evolutionary algorithms (EAs) have shown promising results in generating robot designs via gradient-free optimisation. Morpho-evolution with learning (MEL) uses EAs to concurrently generate robot designs and learn the optimal parameters of the controllers. Two main issues prevent MEL from scaling to higher complexity tasks: computational cost and premature convergence to sub-optimal designs. To address these issues, we propose combining morpho-evolution with intrinsic motivations. Intrinsically motivated behaviour arises from embodiment and simple learning rules without external guidance. We use a homeokinetic controller that generates exploratory behaviour in a few seconds with reduced knowledge of the robot’s design. Homeokinesis replaces costly learning phases, reducing computational time and favouring diversity, preventing premature convergence. We compare our approach with current MEL methods in several downstream tasks. The generated designs score higher in all the tasks, are more diverse, and are quickly generated compared to morpho-evolution with static parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL