La robótica evolutiva ( ER ) del es una metodología que utiliza el cómputo evolutivo para desarrollar los reguladores para las robustezas autónomas Los algoritmos en el ER funcionan con frecuencia encendido a poblaciones de los reguladores del candidato, seleccionado inicialmente de una cierta distribución . Esta población está entonces en varias ocasiones modificado según una función de la aptitud. En el caso de los algoritmos genéticos (o del " GAs"), un método común en el cómputo evolutivo, la población de candidato los reguladores se crecen en varias ocasiones según la cruce, la mutación y otros operadores GA y entonces entresacado según la función de la aptitud. Los reguladores del candidato usados en usos del ER se pueden extraer de un cierto subconjunto del sistema de las redes de los nervios artificiales aunque algunos usos (SAMUEL incluyendo, desarrollado en el centro naval para la investigación aplicada en la inteligencia artificial ) utilicen colecciones de " SI ENTONCES ELSE" reglas como los componentes de un regulador individual . Es teóricamente posible utilizar fijado de formulaciones simbólicas de las leyes de un control (a veces llamado las políticas de un en la comunidad del aprendizaje de máquina ) como el espacio de los reguladores posibles del candidato. Vale el observar de que las redes de los nervios artificiales se pueden también utilizar para la robusteza que aprende fuera del contexto de la robótica evolutiva. Particularmente, otras formas de refuerzo que aprenden se pueden utilizar para aprender los reguladores de la robusteza.
La robótica de desarrollo se relaciona con, pero diferencia de, robótica evolutiva. El ER utiliza las poblaciones de robustezas que se desarrollen en un cierto plazo, mientras que DevRob está interesado en la organización del sistema de control de una sola robusteza se convierte con experiencia, en un cierto plazo
Historia
La fundación del ER fue puesta con el trabajo en el Consejo de Investigación nacional en Roma en los años 90, pero la idea inicial de codificar un sistema de control de la robusteza en un genoma y hace que la evolución artificial mejore en ella data del último 80s.La robótica evolutiva término fue introducida en 1993 por el acantilado, el Harvey y los maridos en la universidad de Sussex . En 1992 y 1993 dos equipos, un circundante Floreano del equipo y el Mondada en el EPFL en el Lausanne y un grupo de investigación en los DIENTES en la universidad de Sussex divulgaron los primeros experimentos en la evolución artificial de robustezas autónomas. El éxito de esto investigación temprana accionó una onda de la actividad en los laboratorios en todo el mundo que intentaban enjaezar el potencial del acercamiento.
Últimamente, la dificultad en " up" del escalamiento; la complejidad de las tareas de la robusteza ha cambiado de puesto la atención algo hacia el extremo teórico del campo algo que el extremo de la ingeniería.
Robótica evolutiva
La robótica evolutiva se hace con muchos diversos objetivos, a menudo al mismo tiempo. Éstos incluyen crear los reguladores útiles para las tareas del mundo real de la robusteza, explorando las intrincaciones de la teoría evolutiva (tales como el efecto de Baldwin), los fenómenos psicologicos de reproducción, y descubrir sobre redes de los nervios biológicas estudiando los artificiales. Crear reguladores vía la evolución artificial requiere una gran cantidad de evaluaciones de una población grande. El es muy desperdiciador de tiempo, que es una de las razones por las que la evolución del regulador se hace generalmente en software. También, los reguladores al azar iniciales pueden exhibir comportamiento potencialmente dañoso, tal como en varias ocasiones estrellarse en una pared, que puede dañar la robusteza. La transferencia de los reguladores desarrollados en la simulación a las robustezas físicas es muy difícil y un desafío importante al usar el acercamiento del ER. La razón es que la evolución está libre de explorar todas las posibilidades para obtener una alta aptitud, incluyendo cualquier inexactitud de la simulación. Esta necesidad de una gran cantidad de evaluaciones, requiriendo rápidamente con todo de simulaciones de computadora exactas, es uno de los factores de limitación del acercamiento del ER.En casos raros, el cómputo evolutivo se puede utilizar para diseñar la estructura física de la robusteza, además del regulador. Uno de los ejemplos más notables de esto era versión parcial de programa de Sims Karl 'para la corporación de pensamiento de las máquinas .
Motivación para la robótica evolutiva
Muchos de los algoritmos de uso general del aprendizaje de máquina requieren un sistema de los ejemplos del entrenamiento que consisten en una entrada hipotética y una respuesta deseada. En mucho la robusteza que aprende usos de la respuesta deseada es una acción para que la robusteza tome. Estas acciones no se saben generalmente explícitamente a priori, en lugar la robusteza puede, en el mejor de los casos, recibir un valor que indica el éxito o la falta de medidas dadas tomadas. Los algoritmos evolutivos son soluciones naturales a esta clase de marco del problema, pues la necesidad de la función de la aptitud codifica solamente el éxito o la falta de un regulador dado, algo que las acciones exactas el regulador deben haber tomado. Una alternativa al uso del cómputo evolutivo en la robusteza que aprende es el uso de otras formas de refuerzo que aprenden, tal como de Q-aprendizaje, para aprender la aptitud de cualquier acción particular, y después utiliza predijo valores de la aptitud indirectamente para crear un regulador.
Conferencias e institutos
Conferencias principales
Robótica evolutivaGECCO
Congreso de IEEE sobre el cómputo evolutivo
Conferencia europea sobre la vida artificial
ALife
Institutos e investigadores académicos
Universidad Tecnológica de Chalmers: Peter Nordin, el proyecto HumanoidUniversidad de Sussex : Inman Harvey, maridos, Ezequiel Di Pablo, Eric Vaughan, Thomas Buehrmann de Phil
el CNR : Stefano Nolfi, Rafael Calabretta
EPFL : Darío Floreano
Universidad de Zürich : Rolf Pfeifer
Universidad Cornell : Artesa Lipson, Josh Bongard
Universidad occidental de la reserva del caso: Cerveza de Randall
Centro para la robótica y las máquinas inteligentes, universidad de estado de Carolina del Norte : Eddie Grant, Andrew Nelson
Universidad Londres : Peter Bentley, Siavash Haroun Mahdavi
Universidad de Essex : Simon Lucas
Universidad de Brandeis: Gados de Jordania
IDSIA y universidad técnica de Munich : laboratorio de la robusteza de s de Schmidhuber Juergen '
Universidad de Skövde : Tom Ziemke
Laboratorio de investigación naval de los E. 's, centro de la marina de guerra para la investigación aplicada en inteligencia artificial: Alan C. Schultz, alfarero, Kenneth De Jong de Mitchell A.
Fraunhofer AIS, dinámica inteligente Dep.: Frank Pasemann
Criaturas virtuales desarrolladas por el Karl Sims ( GenArts )
Robótica de la vida artificial de Ken Rinaldo.
Ver también
Inteligencia artificial
Cibernética
Robótica cognoscitiva
Cómputo evolutivo
Roboticist
Robótica
Kit de la robusteza
.
| Random links: | Districto de Saihaku, Tottori | Arturo Thistlewood | Rastro de la manera de Cady | Roux de Paul | Torre de perforación Hamilton |