Рекомбинация, перестройка генетических материалов в результате спаривания или объединения сегментов ДНК из разных организмов, имеет многочисленные эволюционные преимущества. Например, он позволяет организмам удалять вредные мутации из своих геномов и приобретать более полезные мутации.
Амин Бумаза, исследователь из Университета Лотарингии, недавно попыталась применить этот процесс к воплощенной в сети эволюционной робототехнике, которая фокусируется на воспроизведении теорий эволюции роботов. В своей статье, опубликованной в журнале GECCO «Труды конференции по генетическим и эволюционным вычислениям», он разработал оператор рекомбинации, вдохновленный эволюцией, и обучил его трем задачам, требующим совместной работы нескольких роботов.
«Мои исследования относятся к более широкой теме ИИ, а точнее, к пониманию того, как мы можем создавать агентов, которые могут научиться выполнять интересные задачи», – сказал Бумаза. «Эта тема исследования не новая, а довольно старая, и в последнее время ей уделяется много внимания из-за впечатляющих результатов глубокого обучения. Маленькие роботы сотрудничают, чтобы решить задачу и адаптироваться к изменениям в их среде”.
Увлеченный эволюционными стратегиями, в частности рекомбинацией, которые лучше снабжают живые организмы для решения жизненных проблем, Бумаза решил выяснить, могут ли подобные механизмы применяться к робототехническим подходам. Его гипотеза состояла в том, что в случае успешной репликации в роботах, рекомбинация увеличит их производительность и эффективность.
«Когда мы говорим о роботизированных агентах, мы обычно подразумеваем физическое существо, воплощенное в окружающую среду (например, робот- пылесос в комнате)», – сказал Бумаза. «Этот агент воспринимает свое окружение с помощью набора датчиков (датчиков препятствий, камеры), которые могут дать ему некоторое представление об окружающей среде. Агент также может действовать в окружающей среде, используя эффекторы (двигатели, руки, чистящую щетку). Эти действия являются результатом того, что мы обычно называем контроллером (то есть своего рода программа принятия решений)”.
Контроллер – это, по сути, программа, которая обрабатывает восприятия, полученные роботом через его датчики и выдает команды своим эффекторам. Например, в случае роботизированного пылесоса контроллер будет обрабатывать информацию о своем окружении, обнаруживать, есть ли перед ним пыль, а затем выводить результаты, которые заставят робота активировать вакуум и продвигаться, чтобы пылесосить.
«Делая дальнейший шаг, мы также можем рассмотреть несколько агентов, которые могут развиваться в одной среде», – сказал Бумаза. «Разработка контроллеров для каждого агента в таких условиях – очень сложная проблема, для которой еще не существует эффективной техники. В этом случае у нас может быть несколько (например, от 10 до 100) сложных роботов или много очень простых роботов (например, сотни)».
При разработке робота, который может эффективно выполнять определенную задачу, исследователям необходимо разработать контроллер, приспособленный для конкретной задачи. Если среда, в которой должен работать робот, проста, проектирование этого контроллера может быть довольно простым, но в большинстве случаев это не так.
«Один из способов разработки контроллера таким образом – это использовать эволюционные алгоритмы, которые, грубо говоря, пытаются имитировать естественную эволюцию видов для развития контроллеров роботов-агентов», – сказал Бумаза. «Это итеративный процесс, когда животные лучше адаптируются к окружающей среде, контролер становится лучше в решении задачи. Цель не в том, чтобы симулировать естественную эволюцию, а скорее получить от нее вдохновение».
Эволюционная робототехника является лишь одним из многих методов, которые исследователи могут использовать для разработки контроллеров роботов. В последние годы эволюционные подходы приобрели популярность, с растущим числом исследований, направленных на копирование эволюционных стратегий, наблюдаемых у животных и людей.
“Эволюционная робототехника обладает некоторыми преимуществами, такими как тот факт, что нам не нужно указывать, как решить задачу (это обнаруживается и усваивается алгоритмом), а просто нужно указать способ измерения, насколько хорошо задача выполняется” – сказал Бумаза. “Он также имеет некоторые недостатки, поскольку это очень медленный и требующий большого объема вычислений процесс, который может быть очень трудным для выполнения на реальных роботах. Кроме того, эти подходы обычно очень чувствительны к показателям производительности, так как они обуславливают поведение, усвоенное агентами”.
Бумаза, как и другие исследователи в этой области, пытается разработать новые подходы, чтобы преодолеть недостатки существующих методов эволюционной робототехники. В своем недавнем исследовании он специально предложил использовать новый «оператор спаривания», который может улучшить скорость сходимости при моделировании роботов. Это замечательное достижение.
Он применил своего оператора рекомбинации к трем коллективным задачам робототехники: передвижение, сбор и добыча предметов. Затем он сравнил производительность, достигнутую с помощью чисто мутативной версии своего алгоритма, с характеристиками различных операторов рекомбинации. Результаты, собранные в его экспериментах, показывают, что при правильной разработке стратегии рекомбинации могут фактически улучшить адаптацию роботов во всех задачах, которые он рассматривал.
В будущем предложенный им новый эволюционный робототехнический подход может быть использован для повышения производительности и адаптивности роботов в задачах, требующих совместной работы нескольких агентов. Бумаза планирует проверить свой алгоритм на новых задачах, чтобы определить, сохраняется ли улучшение.
