[논문 리뷰] Challenges and Opportunities of Evolutionary Robotics

Donald Sofge, Mitchell A. Potter외 2명|ArXiv.org|2007. 06. 04.

Evolutionary Algorithms and Applications참고 문헌 31인용 수 12

한 줄 요약

이 논문은 진화적 로봇공학의 과제와 기회를 다루며, 고급 로봇 하드웨어가 본질적으로 더 나은 제어 소프트웨어를 가능하게 하지 못함을 강조한다. 이는 유전 알고리즘과 신경진화와 같은 진화 계산 기법이 전통적 방법으로는 어려운 복잡한 로봇 제어 문제에 대해 유망한 해결책을 제공할 수 있음을 제안한다. 그러나 확장성, 적합도 평가, 실세계 구현과 같은 상당한 구현 과제가 존재한다.

ABSTRACT

Robotic hardware designs are becoming more complex as the variety and number of on-board sensors increase and as greater computational power is provided in ever-smaller packages on-board robots. These advances in hardware, however, do not automatically translate into better software for controlling complex robots. Evolutionary techniques hold the potential to solve many difficult problems in robotics which defy simple conventional approaches, but present many challenges as well. Numerous disciplines including artificial life, cognitive science and neural networks, rule-based systems, behavior-based control, genetic algorithms and other forms of evolutionary computation have contributed to shaping the current state of evolutionary robotics. This paper provides an overview of developments in the emerging field of evolutionary robotics, and discusses some of the opportunities and challenges which currently face practitioners in the field.

연구 동기 및 목표

• 로봇 하드웨어의 복잡성 증가와 소프트웨어 제어 능력 간의 괴리 분석.
• 실세계 로봇공학에 진화 계산을 적용할 때의 핵심 과제, 예를 들어 확장성과 적합도 함수 설계 규명.
• 다이나믹하거나 불확실한 환경에서 전통적 제어 방법보다 우월한 성능을 보일 수 있는 진화적 로봇공학의 기회 강조.
• 인공 생명, 인지 과학, 신경망, 행동 기반 시스템 등의 다양한 분야에서의 통합적 통찰을 진화적 로봇공학의 통합적 시각으로 통합.
• 이론적·실용적 장벽을 제시함으로써 향후 연구를 이끌기

제안 방법

• 인공 생명, 인지 과학, 신경망, 규칙 기반 시스템 등의 다학제적 기여를 진화적 로봇공학에 통합하기 위해 검토.
• 유전 알고리즘 및 기타 진화 계산 기법을 활용해 성능 목표에서 직접 로봇 제어 전략을 진화시키기.
• 행동 기반 제어 아키텍처를 기반으로 모듈형이고 적응 가능한 로봇 행동을 진화시키기.
• 모의 실험과 실제 테스트를 통해 진화된 제어기를 평가하여 내성적이고 적응 가능한 성능 분석.
• 현장에서 실시간 성능을 향상시키기 위해 차량 내 센서와 계산 자원을 진화 설계 과정에 통합하기.
• 환경 피드백과 작업 중심 성능 지표를 통합함으로써 적합도 함수 설계 과제 해결하기.

실험 결과

연구 질문

• RQ1 기존 방법으로는 실패하는 복잡하고 센서가 풍부한 로봇 시스템에서 진화 계산이 어떻게 효과적으로 제어 문제를 해결할 수 있는가?
• RQ2 실세계 로봇 응용 분야에 진화적 로봇공학을 구현할 때의 주요 기술적·실용적 장벽은 무엇인가?
• RQ3 인공 생명, 신경망, 인지 과학 분야의 다학제적 진전이 진화적 로봇공학의 잠재력을 어떻게 향상시키는가?
• RQ4 다이나믹하거나 불확실한 환경에서 로봇 행동의 효과적인 진화를 이끄는 적합도 함수는 어떻게 설계할 수 있는가?
• RQ5 하드웨어 발전이 진화적 로봇공학 기법의 적용을 어떻게 촉진하거나 제약하는가?

주요 결과

• 진화적 로봇공학은 기존 프로그래밍 접근 방식으로는 해결이 곤란한 로봇 제어 문제를 해결할 수 있는 실현 가능한 길을 제공한다.
• 로봇 하드웨어의 발전에도 불구하고 소프트웨어 제어는 여전히 핵심적 한계로 남아 있으며, 이는 자동화되고 적응 가능한 학습 방법의 필요성을 강조한다.
• 유전 알고리즘과 신경진화 기법은 자율 로봇을 위한 강력하고 행동 기반의 제어 시스템을 진화시키는 데 성공을 거두었다.
• 고차원적 탐색 공간, 계산 비용, 효과적인 적합도 함수 정의의 어려움 등 도전 과제는 여전히 주요 장벽으로 남아 있다.
• 신경망과 행동 기반 시스템 분야의 다학제 통합이 이 분야의 발전에 결정적인 역할을 해왔다.
• 논문은 진화적 로봇공학이 큰 잠재력을 지니고 있음에도 불구하고, 실용적 구현을 위해서는 확장성, 실시간 성능, 적합도 함수 기반 설계 분야의 추가 연구가 필요하다고 결론을 내린다.