[论文解读] 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 5

一句话总结

本文提出了'可进化性特征'——一种新颖的度量方法，用于量化基因突变对进化机器人中行为多样性与适应度变化的影响。通过六足机器人行走任务，研究表明单神经元模式生成器（SUPG）展现出最有利的可进化性特征，即使在高突变率下，其对肢体损伤的适应速度也优于其他编码方式。

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.

研究动机与目标

• 解决仅依赖任务性能基准在进化机器人中所存在的局限性，此类基准无法捕捉系统的适应潜力。
• 开发一种新度量方法，用以评估进化系统在面对新型、不可预见挑战（如机械损伤）时的响应能力。
• 探究不同基因型到表型映射（即编码方式）在突变后生成适应性、多样化表型的能力是否存在差异。
• 建立一种基于可进化性而非仅最终适应度得分的进化系统比较框架。
• 证明可进化性特征能够有效预测真实世界中损伤恢复场景下的适应性能。

提出的方法

• 将可进化性特征定义为群体中突变后行为多样性与适应度变化的统计分布。
• 利用行走步态之间的互信息来量化基因突变后的表型多样性。
• 将适应度变化测量为突变后行走性能（如行进距离）的差异。
• 将特征分析应用于五种基因型到表型映射：直接编码、开环与闭环CPG、基于CPPN的神经网络以及SUPG。
• 在受控损伤条件下（如肢体丧失）对六足机器人上的每种编码进行评估，以测量恢复速度与性能表现。
• 将可进化性特征与多种损伤场景及突变强度下的实际适应性能进行相关性分析。

实验结果

研究问题

• RQ1 可进化性特征能否可靠预测进化系统在新型、未见过环境中的适应性能？
• RQ2 不同生成编码（如CPG、CPPN、SUPG）在突变后产生多样化且高适应度表型的能力有何差异？
• RQ3 高可进化性特征是否与进化机器人控制器在机械损伤后更快恢复相关？
• RQ4 与固定波形编码相比，反馈控制或开放信号编码（如SUPG中的）在多大程度上提升了可进化性？
• RQ5 可进化性特征能否作为比特定任务适应度更具信息量的基准，用于比较进化系统？

主要发现

• SUPG编码展现出最有利的可进化性特征，其突变后的行为多样性与适应度变化均最高，优于所有其他编码方式。
• 尽管在行走基准任务中表现相似，SUPG在所有编码中均表现出最快的肢体损伤恢复速度，甚至优于闭环CPG。
• 可进化性特征能够有效预测适应速度：特征值越高的编码，在损伤场景中恢复越快。
• 即使突变强度提高16倍，SUPG仍保持高度鲁棒性与快速恢复能力，表明其具备强健的可进化性。
• SUPG中闭环反馈与开放信号编码可能支持动态步态重构（如调整占空比），从而增强适应能力。
• 可进化性特征框架成功区分了适应度分数相似但适应潜力不同的编码方式，揭示了隐藏的适应潜力差异。