[论文解读] Evolution of a Subsumption Architecture Neurocontroller

Julian Togelius|ArXiv.org|May 6, 2004

Embodied and Extended Cognition参考文献 15被引用 59

一句话总结

本文提出一种分层进化方法，将从属架构原理整合到进化机器人学中，实现了对模拟机器人在避障的同时向光源移动的分层神经控制器的进化。该方法在性能上优于单一整体式、渐进式和模块化进化方法，合并后的分层控制器在性能上达到或超过集成网络，展现出在复杂任务中的可扩展性和鲁棒性。

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.

研究动机与目标

• 解决单一整体式进化机器人学在复杂环境中可扩展性受限的问题。
• 探究受从属架构启发的分层控制器是否能提升可演化性与性能。
• 在模拟机器人导航任务中，将分层进化与单一整体式、渐进式和模块化进化进行比较。
• 评估进化后的各层是否能成功合并为单一功能性控制器而不造成性能损失。
• 确定分层进化是否为扩展进化机器人学至更复杂任务提供可行路径。

提出的方法

• 机器人由一个分层神经控制器控制，该控制器由多个层级组成，每个层级负责特定的行为层级（例如，避障、追光）。
• 每个层级使用遗传算法独立进化，其适应度基于在具有障碍物和光源的模拟环境中完成任务的表现。
• 在各层级独立进化后，将各层合并为一个前馈神经网络，以测试集成后的性能。
• 该方法结合了从属架构原理——即高层行为可抑制低层行为——与神经网络权重的进化优化。
• 通过多次运行评估性能，比较成功率、收敛速度和对其他进化策略的鲁棒性。
• 适应度评估包括任务完成情况（到达光源）和避障情况，碰撞行为将受到惩罚。

实验结果

研究问题

• RQ1 基于从属架构的分层进化方法是否在性能和可演化性方面优于单一整体式进化？
• RQ2 分层结构是否提升了机器人处理冲突目标（如同时接近光源和避障）的能力？
• RQ3 进化后的各层是否能成功合并为单一控制器而不造成性能下降？
• RQ4 在收敛速度和解决方案质量方面，分层进化与渐进式和模块化进化相比如何？
• RQ5 该分层方法是否可扩展至需要多个协同行为的更复杂任务？

主要发现

• 分层控制器在成功避开障碍物的同时到达目标光源的比率超过90%，在收敛速度和鲁棒性方面均优于单一整体式进化。
• 合并后的分层控制器在性能上达到或超过单一整体式控制器，表明分层设计不会损害最终功能。
• 分层进化展现出更优的可演化性，相较于单一整体式进化，收敛速度更快，且在多次运行中表现更一致。
• 该方法使复杂协调行为的进化成为可能，而无需预先进行架构分解，表明其具有内在可扩展性。
• 结果支持假设：分层进化是将进化机器人学扩展至复杂任务的可行且更优的方法。
• 研究证实，从属架构启发的分层结构能有效提升多目标机器人控制任务中进化搜索的效率。