一文詳解群體機器人中的實體進化到底是什麼？

圖：pixabay

原文來源：frontiers

作者：Nicolas Bredeche、Evert Haasdijk、Abraham Prieto

「雷克世界」編譯：嗯~阿童木呀、KABUDA

本文概述了適用於機器人群體（robot collectives）在線分散式進化的進化機器人技術，即實體進化（embodied evolution）。對具體進化的定義進行了闡述，並對基本概念和機制進行了全面描述。此外，本文還全面總結了自2000年以來在該領域所發表的研究成果，提供了多方位的視角從而確定主要的發展趨勢。特別是，我們有了一個新的發現，即，將原先的把具體進化看作是小型機器人群體內（小於10台機器人）的一種並行搜索方法，轉變為將具體進化看作是類群體性集體中用於設計集體行為的在線分散式學習方法。總而言之，本文所闡述的該技術的相關應用和開放性問題，為過去提供了一個里程碑，也為未來的研究提供了靈感。

本文概述了進化機器人的相關研究，在這項研究中，進化以一種連續的方式發生在機器人群體中。Ficici等人（於1999年）創造了embodied evolution這一用於描述進化過程的短語，它分布在群體機器人上，從而使它們能夠自主和持續地進行適應。同時，隨著機器人技術的發展具備越來越高的可能性，以及經濟上的可行性，在最小的人為監督環境下，專家團隊以高昂代價操作的單個機器人，正通過機器人群體的協作使用，迅速地得以輔助（Bellingham和Rajan於2007年提出），並且，在這種機器人群體中實現自主的在線自適應過程中，具體進化可以發揮至關重要的作用。

實際上，實體進化背後的願景是一組真正的自主機器人，它們可以調整自己的行為以適應不同的任務和環境。自主發生在兩個層面上：機器人不僅能夠在沒有外部控制的情況下執行任務，而且它們能夠通過進化，在不需要外部監督的情況下對其自身行為進行評估和調整，因此可以自主學習。這種自適應能力使得機器人在無法事先準確建模的情況下能夠得以部署。這可能是因為環境或用戶需求尚未完全了解，或者可能是由於機器人之間交互的複雜性以及它們環境的有效性導致場景不可預測。此外，車載自適應性（onboard adaptivity）本質上避免了在部署之前開發控制器時由於機器人或其環境的建模不準確將造成的現實差距（Jakobi 等人於1995年提出），因為控制器在部署之後還將得以繼續開發。最終的好處是，實體進化可以看作是並行化進化過程，因為它將評估分布在多個機器人上。Alba（於2002年）已經表明，這種並行性可以提供很大的好處，包括超線性加速（superlinear speedups）。在機器人的示例情況下，這具有減少每個機器人執行不良控制器所耗費的時間的附加好處，減少了磨損。

在實體進化中，以機器人為中心和以基因組為中心的循環

實體進化的在線本質與「傳統」進化機器人研究形成鮮明對比。傳統的進化機器人採用經典順序集中的優化範式進行進化：父輩和倖存者的選擇是集中並考慮整個群體。「機器人」部分需要進行一系列機器人試驗（模擬與否），以一種基於進化的方式進行搜索從而找到最優機器人控制器。就任務性能表現而言，實體進化在某些情況下，如飛行無人機的監控和自我定位，其性能表現要遠遠優於其他進化機器人技術，特別是在收斂速度方面。

考慮到能夠提供一個清晰明了的討論的初衷，我們將實體進化定義為這樣一個範例，其中，進化是在多機器人（兩個或多個機器人）系統中實施的。兩個機器人已經被認為是一個多機器人系統，因為仍然可以在其上分配一個演算法。這些系統具有以下特徵：

權力下放（Decentralized）

沒有中央權力機構選擇生育後代的父母或將被取代的個體。相反，機器人根據局部信息評估它們的表現，交換和選擇遺傳物質。

在線

機器人控制器會隨著機器人正常行動而發生動態變化：進化發生在機器人的操作壽命期間和任務環境中。在機器人得以部署完畢後，這一過程仍將繼續。

並行

無論它們是否在任務中進行協作，群體都由多個機器人組成，這些機器人在同一環境中同時進行動作和進化，頻繁地進行交互以交換遺傳物質。

通信遺傳物質的分散性意味著選擇是在局部執行的，通常只涉及整個群體的一部分（Eiben等人於2007年提出）（https://www.frontiersin.org/articles/10.3389/frobt.2018.00012/full#B38），並且它必須由機器人自己執行。除了父母和倖存者選擇之外，這次還增加了第三個選擇的機會，這是為經典進化計算定義的。因此，實體進化擴展了定義進化演算法（即評估、選擇、變體和替換（Eiben和Smith於2008年提出）（https://www.frontiersin.org/articles/10.3389/frobt.2018.00012/full#B36））的運算符集合，並將交配作為關鍵的進化運算元。

交配（Mating）

兩個（或更多）機器人決定發送/接收遺傳物質的行為，不管這種物質是否會用於生成新的後代。這種情況何時發生以及如何發生，不僅取決於預定的啟發式演算法，還取決於進化的行為，後者在很大程度上決定了機器人是否會遇到交換遺傳物質的機會。

在過去的20年里，通用的在線進化機器人以及特定的實體進化，作為一個研究領域已經成熟起來。在受人尊敬的進化計算聚焦點所不斷湧現的相關出版物可以證明這一點，諸如會議（例如：ACM GECCO、ALIFE、ECAL和EvoApplications）、期刊（例如：進化機器人領域進化智能的特殊問題（Haasdijk等人於2014年提出）(https://www.frontiersin.org/articles/10.3389/frobt.2018.00012/full#B53）、研討會（PPSN 2014 ER研討會、GECCO 2015和2017機器人研討會上進化群體性行為）以及教程（ALIFE 2014、GECCO 2015和2017、ECAL 2015、PPSN 2016和ICDL-EPIROB 2016）等。谷歌的一位學者所搜索的出版物引用Watson等人在2002年撰寫的開創性進化論文（https://www.frontiersin.org/articles/10.3389/frobt.2018.00012/full#B127）說明了這種增長趨勢。自2009年以來，該論文引起了極大的關注，自2008年以來引用次數每年增加一倍以上（自那時起每年約引用20次）。

然而，到目前為止，還沒有關於什麼是實體進化（以及什麼不是）的明確定義，也沒有關於這一領域技術現狀的概述。本文提供了實體進化範式的定義，並將其與其他進化和群體機器人學研究聯繫起來。我們確認並回顧了相關研究，強調了許多特定於具體進化範例設計選擇和問題。這些共同提供了有關最新技術的全面綜述，並為對群體自主適應的進化方法感興趣的研究人員提供了一個起點。文章指出了可能提供解決方案的其他領域的未解決問題與研究，指出了今後工作的方向，並討論了潛在的應用。

本文概述了機器人群體的實體進化， 這一研究領域自2000年以來得到了不斷發展。本文最主要的貢獻體現在三個方面。第一，闡明了實體進化的定義和總體進程。第二，概述了迄今為止已有的進化研究成果。第三，為今後的研究提供了方向。

這一概述揭示了該領域的成熟性：雖然在實體進化誕生的最初十年里，其主要被用作為設計個人行為的並行搜索方法，但在群體方面出現了一種趨勢（即合作、分工以及專業化）。這一趨勢與大型群體式機器人集體趨勢攜手並進。

我們希望這一概述可以為該領域提供一個墊腳石，以此體現出它的成熟，並為有抱負的研究人員提供靈感。為此，我們強調了可能的應用和可能推動該領域研究議程的公開問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！