探索机器人设计对学习及神经控制的影响

正在进行的深度学习革命已使计算机在各种游戏中超越人类，并在分类任务中感知人类无法察觉的特征。当前的机器学习技术已在专门任务中明显脱颖而出。然而，我们尚未见到能够专家级执行多任务的机器人。该领域多数工作聚焦于在给定大体静态且预设的机器人设计下，为其控制器开发更复杂的算法。通过关注机器人本体的开发而非神经控制器，我发现可以设计出克服神经控制器在多任务环境中遇到的诸多当前缺陷的机器人。通过这一发现，我还提出新的度量标准，用于显式衡量机器人设计的学习能力及其对灾难性干扰等常见问题的抵抗能力。传统上，物理机器人设计需要人类工程师规划系统的每个方面，这代价高昂且常依赖人类直觉。相比之下，在进化机器人领域，进化算法被用于自动创建优化设计，然而此类设计在执行多任务环境时的能力往往仍受限。此处创建并提出的度量标准提供了一条自动化设计的新路径，使进化机器人能与其控制器协同，在克服灾难性干扰的同时提高学习的计算效率。总体而言，本学位论文暗示了自动设计比当前机器人更通用、能以更少计算执行多种任务的机器人的能力。