[論文レビュー] A Robot to Shape your Natural Plant: The Machine Learning Approach to Model and Control Bio-Hybrid Systems

Mostafa Wahby, Mary Katherine Heinrich+6 more|IT University Of Copenhagen (IT University of Copenhagen)|Apr 18, 2018

Smart Agriculture and AI参考文献 23被引用数 5

ひとこと要約

本論文では、ロボット制御を用いて自然な植物の形状を学習するための機械学習駆動アプローチを提示する。植物の運動をLSTMベースの前向きモデルと剛性化を活用し、障害物回避タスクのためのニューラルネットワーク制御系を進化させる。この方法により、シミュレーションで進化した制御系を実世界の実験に成功裏に転送し、植物の形態的「埋め込み記憶」により障害物を回避しながら衝突のない成長を実現した。

ABSTRACT

Bio-hybrid systems---close couplings of natural organisms with technology---are high potential and still underexplored. In existing work, robots have mostly influenced group behaviors of animals. We explore the possibilities of mixing robots with natural plants, merging useful attributes. Significant synergies arise by combining the plants' ability to efficiently produce shaped material and the robots' ability to extend sensing and decision-making behaviors. However, programming robots to control plant motion and shape requires good knowledge of complex plant behaviors. Therefore, we use machine learning to create a holistic plant model and evolve robot controllers. As a benchmark task we choose obstacle avoidance. We use computer vision to construct a model of plant stem stiffening and motion dynamics by training an LSTM network. The LSTM network acts as a forward model predicting change in the plant, driving the evolution of neural network robot controllers. The evolved controllers augment the plants' natural light-finding and tissue-stiffening behaviors to avoid obstacles and grow desired shapes. We successfully verify the robot controllers and bio-hybrid behavior in reality, with a physical setup and actual plants.

研究の動機と目的

• 自然な植物の成長とロボット制御を組み合わせたバイオハイブリッドシステムを構築すること。
• 機械学習を用いて動的環境下での植物形態を制御する課題に取り組むこと。
• シミュレーションから実際の植物に進化したロボット制御系を転送することで、現実性のギャップを埋めること。
• データ駆動的手法を用いて、特に光屈性および茎の剛性化といった複雑な植物行動をモデル化すること。
• 単純な2次元の障害物回避を越えた、スケーラブルで適応的な植物成長制御を可能にすること。

提案手法

• 制御された光刺激下でのインディゴビーン（Phaseolus vulgaris）の運動および剛性化に関する実験データを収集する。
• 長短期記憶（LSTM）再帰的ニューラルネットワークを訓練し、植物ダイナミクスを前向きモデルとしてモデル化する。
• 訓練済みLSTMを進化的ロボティクスにおけるシミュレータとして用い、動的光刺激に対する人工ニューラルネットワーク（ANN）制御系を進化させる。
• シミュレーション内でANN制御系を進化させ、障害物を避けながら植物の成長を誘導する。
• 実際の植物とロボット制御光システムを用いて、進化した制御系を物理的現実で検証する。
• 植物の過去の運動および剛性化が最終的な植物形状に与える影響を示す「埋め込み記憶」という概念を制御フレームワークに組み込む。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型LSTMモデルは、シミュレーションに使用するため、植物の茎の剛性化および光屈性運動の時間的ダイナミクスを正確に捉えられるか？
• RQ2 進化的ロボティクスは、シミュレーション内で進化した制御系が実際の植物システムに成功裏に転送できるか？
• RQ3 植物の運動および剛性化の履歴が、その最終的形状にどの程度寄与しているか。また、この履歴を制御に活用できるか？
• RQ4 光刺激のみを用いて、障害物を回避しながらも目標方向へ植物を誘導する成長を達成できるか？
• RQ5 本アプローチのスケーラビリティの限界は、複雑な3次元植物形態や複数の植物の制御においてどこまで達成できるか？

主な発見

• LSTMモデルは実験データから植物の運動および剛性化の複雑な時間的ダイナミクスを的確に捉え、シミュレーション用の効果的前向きモデルとして機能した。
• 進化したロボット制御系は実世界の実験で障害物回避行動を達成し、198時間の成長後に植物の先端が目標領域に到達した。
• 本システムはシミュレーションから現実への成功裏の転送を示し、現実性ギャップ低減戦略の有効性を検証した。
• 後期の実験では、最大99.3%のフィットネス値が達成され、目標方向への植物成長誘導の高成功率を示した。
• 「埋め込み記憶」の概念が観察され、植物の過去の運動および剛性化パターンが直接的に最終形態に影響を与えていた。
• 本アプローチは、スケーラブルな植物成長制御を可能にし、将来的には3次元形状製造、植物の編み込み、建築構造物への応用が期待できる。