模拟机器人环境中用于空间与工作记忆的循环神经网络神经进化
神经与进化计算
2021-02-26 v1 机器人学
摘要
从大鼠到人类，动物均可展现出认知地图能力。我们使用进化算法在生物学上合理的循环神经网络（RNN）中进化权重，以复现大鼠在三重 T 型迷宫空间与工作记忆任务中观察到的行为与神经活动。大鼠在 Webots 机器人模拟器中模拟，并利用视觉、距离与加速度计传感器导航虚拟迷宫。在从感官输入到 RNN、RNN 内部以及从 RNN 到机器人马达的权重进化后，Webots 智能体成功导航该空间，在超时前以最少重复到达全部四个奖励臂。我们目前的发现表明，RNN 动态是性能的关键，且性能不依赖于任一感官类型，这意味着 RNN 中的神经元正在进行混合选择性与联合编码。此外，RNN 活动类似于在海马体中观察到的空间信息与轨迹依赖编码。总体而言，进化后的 RNN 展现出导航技能、空间记忆与工作记忆。我们的方法展示了进化 RNN 中的动态活动如何捕捉有趣而复杂的认知行为，并可用于为机器人应用创建 RNN 控制器。
引用
@article{arxiv.2102.12638,
title = {Neuroevolution of a Recurrent Neural Network for Spatial and Working Memory in a Simulated Robotic Environment},
author = {Xinyun Zou and Eric O. Scott and Alexander B. Johnson and Kexin Chen and Douglas A. Nitz and Kenneth A. De Jong and Jeffrey L. Krichmar},
journal= {arXiv preprint arXiv:2102.12638},
year = {2021}
}