[論文レビュー] Evolvability signatures of generative encodings: beyond standard performance benchmarks

Danesh Tarapore, Jean-Baptiste Mouret|arXiv (Cornell University)|Oct 18, 2014

Evolutionary Algorithms and Applications参考文献 88被引用数 5

ひとこと要約

本稿では、進化的ロボティクスにおける遺伝的突然変異が行動多様性および適応度の変化に与える影響を定量化する新しい指標「発生可能性シグネチャ」を導入する。六脚ロボットの歩行を用いて、単一ユニットパターンジェネレータ（SUPG）が、他の符号化方式と比較して、高い突然変異率下でも肢体損傷への適応が速いという、最も好ましい発生可能性シグネチャを示した。

ABSTRACT

Evolutionary robotics is a promising approach to autonomously synthesize machines with abilities that resemble those of animals, but the field suffers from a lack of strong foundations. In particular, evolutionary systems are currently assessed solely by the fitness score their evolved artifacts can achieve for a specific task, whereas such fitness-based comparisons provide limited insights about how the same system would evaluate on different tasks, and its adaptive capabilities to respond to changes in fitness (e.g., from damages to the machine, or in new situations). To counter these limitations, we introduce the concept of "evolvability signatures", which picture the post-mutation statistical distribution of both behavior diversity (how different are the robot behaviors after a mutation?) and fitness values (how different is the fitness after a mutation?). We tested the relevance of this concept by evolving controllers for hexapod robot locomotion using five different genotype-to-phenotype mappings (direct encoding, generative encoding of open-loop and closed-loop central pattern generators, generative encoding of neural networks, and single-unit pattern generators (SUPG)). We observed a predictive relationship between the evolvability signature of each encoding and the number of generations required by hexapods to adapt from incurred damages. Our study also reveals that, across the five investigated encodings, the SUPG scheme achieved the best evolvability signature, and was always foremost in recovering an effective gait following robot damages. Overall, our evolvability signatures neatly complement existing task-performance benchmarks, and pave the way for stronger foundations for research in evolutionary robotics.

研究の動機と目的

• 進化的ロボティクスにおいて、タスク性能のベンチマークに依存するのみでは、適応可能性を捉えられないという限界に対処する。
• 突然変異による新たな未知の課題（例：機械的損傷）に対する進化的システムの反応を評価するための新しい指標を開発する。
• 異なるゲノタイプからフェノタイプへのマッピング（符号化）が、突然変異後に適応的かつ多様なフェノタイプを生成する能力にどのように差異を示すかを調査する。
• 最終的な適応度スコアだけでなく、発生可能性に基づいて進化的システムを比較するフレームワークを確立する。
• 発生可能性シグネチャが、損傷回復シナリオにおける実世界の適応的パフォーマンスを予測できることを実証する。

提案手法

• 発生可能性シグネチャを、突然変異後の集団における行動多様性と適応度変動の統計的分布として定義する。
• 遺伝的突然変異後のフェノタイプ多様性を、歩行行動間の相互情報量を用いて定量化する。
• 適応度の変化を、突然変異後の歩行パフォーマンス（例：移動距離）の差分として測定する。
• 直接符号化、オープンループおよびクローズドループCPG、CPPNベースのニューラルネットワーク、およびSUPGを含む5つのゲノタイプからフェノタイプへのマッピングに、シグネチャ分析を適用する。
• 肢体損傷の制御された状態（例：脚の喪失）下で六脚ロボット上で各符号化方式を評価し、回復速度とパフォーマンスを測定する。
• 複数の損傷シナリオおよび突然変異強度において、発生可能性シグネチャと実際の適応パフォーマンスの相関関係を分析する。

実験結果

リサーチクエスチョン

• RQ1 発生可能性シグネチャは、未知の環境下での進化的システムの適応的パフォーマンスを信頼性高く予測できるか？
• RQ2 CPG、CPPN、SUPGなどの異なる生成的符号化方式は、突然変異後の多様で適応度の高いフェノタイプを生成する能力にどのように差異を示すか？
• RQ3 高い発生可能性シグネチャは、進化したロボットコントローラーにおける機械的損傷からの回復速度の向上と相関するか？
• RQ4 フィードバック制御やオープンエンドド信号符号化（例：SUPGにおけるもの）は、固定波形符号化と比較して発生可能性をどの程度向上させるか？
• RQ5 タスク固有の適応度よりも、発生可能性シグネチャが進化的システムを比較する上でより情報量が多いと見なせるか？

主な発見

• SUPG符号化が、最も好ましい発生可能性シグネチャを達成し、突然変異後の行動多様性と適応度変動が最高水準に達した。
• 歩行ベンチマークでのタスク性能が類似しているにもかかわらず、SUPGは他の符号化方式、特にクローズドループCPGよりも、脚損傷からの回復が一貫して速かった。
• 発生可能性シグネチャは適応速度を予測できた：シグネチャ値が高い符号化方式ほど、損傷シナリオでの回復が速かった。
• 突然変異強度を16倍に引き上げても、SUPGは高いレジリエンスと迅速な回復を維持し、強固な発生可能性を示した。
• SUPGに内蔵されたクローズドループフィードバックとオープンエンドド信号符号化により、動的歩行再構成（例：ダーティーサイクルの調整）が可能になり、適応性が向上したと推察される。
• 発生可能性シグネチャフレームワークは、類似した適応度スコアを持つ符号化方式間を明確に区別でき、隠れた適応可能性の差を明らかにした。