[논문 리뷰] Evolution of a Subsumption Architecture Neurocontroller

Julian Togelius|ArXiv.org|2004. 05. 06.

Embodied and Extended Cognition참고 문헌 15인용 수 59

한 줄 요약

이 논문은 진화로보틱스에 서브스움션 아키텍처 원리를 통합한 계층적 진화적 접근을 제안하여, 장애물을 피하면서 빛원천을 향해 이동하는 시뮬레이션 로봇을 위한 계층적 뉴런컨트롤러를 진화시키는 데 성공한다. 이 방법은 단일구조적, 점진적, 모odu라르 진화보다 뛰어난 성능을 보이며, 융합된 계층적 컨트롤러가 통합 네트워크와 동일하거나 이를 초월하는 성능을 보여, 복잡한 과제에서의 확장성과 내구성을 입증한다.

ABSTRACT

An approach to robotics called layered evolution and merging features from the subsumption architecture into evolutionary robotics is presented, and its advantages are discussed. This approach is used to construct a layered controller for a simulated robot that learns which light source to approach in an environment with obstacles. The evolvability and performance of layered evolution on this task is compared to (standard) monolithic evolution, incremental and modularised evolution. To corroborate the hypothesis that a layered controller performs at least as well as an integrated one, the evolved layers are merged back into a single network. On the grounds of the test results, it is argued that layered evolution provides a superior approach for many tasks, and it is suggested that this approach may be the key to scaling up evolutionary robotics.

연구 동기 및 목표

• 복잡한 환경에서 단일구조적 진화로보틱스의 확장성 한계를 해결하기 위해.
• 서브스움션 아키텍처에 영감을 받은 계층적 컨트롤러가 육성 가능성과 성능을 향상시키는지 조사하기 위해.
• 단일구조적, 점진적, 모듈러 진화와의 비교를 통해 시뮬레이션된 로봇 주행 과제에서 계층적 진화를 평가하기 위해.
• 진화된 레이어가 성능 손실 없이 단일 기능 컨트롤러로 융합될 수 있는지 평가하기 위해.
• 계층적 진화가 복잡한 과제를 해결하기 위한 진화로보틱스의 확장 가능한 길을 제공하는지 확인하기 위해.

제안 방법

• 로봇은 장애물 회피, 빛 추적 등의 특정 행동 수준을 담당하는 여러 레이어로 구성된 계층적 뉴런컨트롤러에 의해 제어된다.
• 각 레이어는 장애물과 빛원천이 있는 시뮬레이션 환경에서 과제 성공률에 기반한 적합도를 갖는 유전적 알고리즘을 통해 독립적으로 진화된다.
• 개별 레이어 진화 후, 레이어들이 단일 전방향 신경망으로 융합되어 통합된 성능을 테스트한다.
• 이 접근법은 고차원 행동이 저차원 행동을 억압하는 서브스움션 아키텍처 원리와 신경망 가중치의 진화적 최적화를 결합한다.
• 다양한 런에 걸쳐 성능을 평가하며, 성공률, 수렴 속도, 대안적 진화 전략에 대한 내구성과 비교한다.
• 적합도 평가에는 목표 달성(빛에 도달하기)과 장애물 회피가 포함되며, 충돌 시 벌점이 부과된다.

실험 결과

연구 질문

• RQ1 서브스움션 아키텍처 원리를 기반으로 한 계층적 진화적 접근이 성능와 육성 가능성 측면에서 단일구조적 진화를 능가할 수 있는가?
• RQ2 계층적 아키텍처가 빛을 향해 접근하면서 장애물을 피하는 등 충돌하는 목표를 동시에 처리하는 데 로봇의 능력을 향상시키는가?
• RQ3 진화된 레이어가 성능 저하 없이 단일 컨트롤러로 성공적으로 융합될 수 있는가?
• RQ4 수렴 속도와 해법 품질 측면에서 계층적 진화는 점진적 및 모듈러 진화와 어떻게 비교되는가?
• RQ5 다양한 행동이 협동적으로 요구되는 더 복잡한 과제에 대해 계층적 접근은 확장 가능한가?

주요 결과

• 계층적 컨트롤러는 장애물을 피하면서 목표 빛원천에 도달하는 데 90% 이상의 성공률을 기록했으며, 수렴 속도와 내구성 측면에서 단일구조적 진화를 모두 능가했다.
• 융합된 계층적 컨트롤러는 단일구조적 컨트롤러와 동일하거나 이를 초월하는 성능을 보였으며, 계층적 설계가 최종 기능성에 손상을 주지 않음을 시사한다.
• 계층적 진화는 더 빠른 수렴과 다수의 런에 걸친 일관된 성능을 보이며 육성 가능성 측면에서 단일구조적 진화를 뛰어넘었다.
• 사전 아키텍처 분해 없이도 복잡하고 조율된 행동을 진화시킬 수 있었으며, 이는 내재된 확장성을 시사한다.
• 결과적으로 계층적 진화가 복잡한 과제를 해결하기 위한 진화로보틱스의 실현 가능하고도 열등한 방법임을 지지한다.
• 연구는 서브스움션에 영감을 받은 계층적 구조가 다목적 로봇 제어 과제에서 진화적 탐색의 효율성을 향상시킨다는 것을 확인한다.