在不完美中寻找完美:将达尔文尼亚神经进化应用于机器人学

大卫莫耶
头像

大卫莫尔涵盖了新兴的技术和道德。自由撰稿人,他以书写和咨询能力为多家客户工作。他毕业于北德克萨斯大学,具有政治科学和宗教研究。在业余时间,他喜欢阅读,咖啡和热情的辩论。

在不完美中寻找完美:将达尔文尼亚神经进化应用于机器人学

当涉及到建造房屋的复杂任务时,许多具有不同技能的人共同努力完成一个更大的目标。而不是试图创建一个能够建立房屋独奏的完美机器人,而不是科学家可以复制人类如何运作,并制作能够共同努力实现复杂任务的不完美机器人的“群”

这是杰南·塔朗加博士希望回答的问题。Thanga是将生物启发神经进化方法应用于机器人的领先研究人员之一,并抬起亚利桑那州立大学的空间和陆地机器人勘探实验室。

虽然这些术语看起来像科幻小说的东西,但神经进化方法实际上从我们周围的世界中汲取灵感。Thanga说,“神经进化方法受到多细胞生物的脑细胞和神经系统的启发。”神经进化方法看着生物的“控制系统”,并试图了解他们的工作方式。“我们正试图了解这些单个细胞如何作为一个团体努力提出凝聚力决策的基础知识。”

该研究的起点是人工神经网络,MCCULLOCH和PITTS在1943年通过基于数学和算法创建了神经网络的计算模型。大部分研究人工神经网络的重点是映射和理解神经网络的电活动。Thanga博士通过试图了解“电池之间的电气和化学沟通之间的相互作用,构建了这一点。

Thanga博士的研究居住在达尔文进化中。正如农民习惯于养殖动物的特定特征,“我们对开发强大的控制器,特别是在多机器人系统中都这样做。”目标是让机器人融合在一起解决任务。虽然过程背后的算法和科学是非常复杂的,但Thanga博士说这个过程本身很简单。

“我们定义了一项任务,然后设置了定量研究的结构,通过该结构进行定量研究;其中零是坏的,一个是绝对辉煌的。[...]接下来,我们必须提供的是这些机器人可以访问的行为库。“

其中一些行为可能是有用的,其他行为可能不会,但它们代表了机器人可以访问的所有行为。除了培训场景库之外,还提供给机器人的感觉输入库。“我们提供了这种”东西“的整个混合,然后让控制器从这个进化过程中选择。”在许多世代中,能够在解决任务中“制作凹痕”的机器人被允许以解决任务的最终目标来复制。

谈到解决这些任务时,Thanga博士发现没有一个“右”解决方案。“良好而辉煌之间存在一系列解决方案。”这是神经网络尤其有价值的地方。“神经网络是概括的。如果您不知道用何种功能来解决任务,则神经网络可以适应解决任务。“

Thanga Research博士的第二个重要特征是任务分解。Thanga说,“这是我们作为人类学会的事情。这是我们的基本生活过程,采取了一些复杂的任务,我们不知道如何解决,将其闯入更小和较小的块,解决较小的任务,然后使用这些解决方案来解决“宏伟”任务。“随着进化的机器人系统,Thanga博士是“教学”机器人,以解决像生物生物一样的问题。虽然该研究发生在虚拟环境中,但结果可以将结果编程为物理机器人。

本研究在现实世界中的应用可能是巨大的。Thanga博士目前的重点是培训机器人,以挖掘和构建真实世界的结构,如着陆条,或建造建筑物的基础。使用多个机器人实现任务而不是单个机器人的优势在于,“使用一起工作的多个不完美的人来完成任务,而不是需要一个完美的个人来完成任务。”

使用许多“不完美”机器人与一个“完美”机器人相反,降低了成本,并且允许复杂任务的自动化,例如安装和维护太阳能电池,采矿,建筑和其他工业任务。在生物神经系统上建模机器人授予他们适应改变条件的能力就像人类一样。随着Thanga博士的虚拟机器人被翻译成物理世界,在不适合人类的环境中实现任务的机会变得更加现实。

保持领先于AI曲线

发现在业务未来将赢家分开获奖者的关键AI趋势和应用程序。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅镜像
保持领先于机器学习曲线

加入超过20,000名以上的可调性的商业领袖,并收到每周提供的最新的AI研究和趋势。

感谢您订阅EMERJ“AI Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。