Evolučná robotika 2

Zhrnutie prednášky

Prednáška nadväzuje na evolučnú robotiku a ukazuje, ako evolučne nájsť nie fixné synaptické váhy neurokontroléra, ale schopnosť učiť sa počas života robota. Floreano použil neurónovú sieť s jedným skrytým rekurentným neurónom, skratkovými spojeniami a binárnym chromozómom, ktorý pre každú synapsiu kóduje jej znamienko, typ učiaceho pravidla a parameter učenia. Keďže robot nemá spätnú väzbu o správnom pohybe, využíva sa učenie bez učiteľa v podobe variácií hebovho pravidla (čisté, postsynaptické, presynaptické a kovariančné), pričom sa váhy adaptujú každých 300 ms počas 80 akcií života robota. Výsledky sú z hľadiska pohybu podobné priamemu genetickému kódovaniu, no robot sa na začiatku správa naivne a správne správanie sa až učí.

• - Priame genetické kódovanie fixuje váhy a obmedzuje neuroplasticitu; evolúcia môže namiesto toho optimalizovať schopnosť učenia.
• - Neurokontrolér má jeden skrytý neurón s rekurentným prepojením, skratkové spojenia a dva výstupné neuróny.
• - Binárny chromozóm kóduje pre každú synapsiu znamienko (excitačná/inhibičná), typ učiaceho pravidla (2 bity) a parameter učenia (2 bity).
• - Použité je učenie bez učiteľa, keďže robot nemá spätnú väzbu o požadovanej rýchlosti kolies.
• - Hebovo pravidlo posilňuje synapsiu pri súčasnej aktivácii neurónov; použité sú štyri variácie: čisté, postsynaptické, presynaptické a kovariančné.
• - Váhy sa inicializujú náhodne z intervalu 0 až 0,1 a adaptujú sa po každej akcii (300 ms) počas 80 akcií.
• - Výsledná schopnosť pohybu je podobná priamemu kódovaniu, ale robot sa správanie učí počas života, nie ho má vopred dané.

Zhrnutie pripravené s pomocou AI z prepisu videa.