具身机器形态与控制的可扩展协同优化
人工智能
2017-12-14 v2
摘要
进化随着时间的推移共同塑造了智能体的身体形态和神经系统。相比之下，在人工智能和机器人学中，机器人的身体形态通常由手工设计，然后针对该固定设计优化控制策略。同时协同优化具身机器人的形态和控制器一直是一项挑战。在心理学中，具身认知理论认为行为源于身体形态和感觉运动控制之间的紧密耦合，这解释了为什么协同优化这两个子系统如此困难：对形态的大多数进化改变往往会对感觉运动控制产生不利影响，导致行为性能的整体下降。在此，我们进一步检验了这一假设，并展示了一种“形态创新保护”技术，该技术暂时降低了对近期形态发生改变个体的选择压力，从而使进化有一定时间通过随后的控制策略突变“重新适应”新的形态。我们展示了该方法避免局部最优的潜力，以及在差异很大的初始条件下收敛到相似的高适应度形态的能力，同时将适应度改进持续到优化的更后期阶段。虽然该技术只是实现具身机器可扩展优化必须采取的许多步骤中的第一步，但我们希望对当前方法中进化停滞原因的理论见解能有助于实现机器人设计和行为训练的自动化——同时提供一个研究具身认知理论的试验台。
引用
@article{arxiv.1706.06133,
title = {Scalable Co-Optimization of Morphology and Control in Embodied Machines},
author = {Nick Cheney and Josh Bongard and Vytas SunSpiral and Hod Lipson},
journal= {arXiv preprint arXiv:1706.06133},
year = {2017}
}