論文の概要: Embodied Intelligence via Learning and Evolution
- arxiv url: http://arxiv.org/abs/2102.02202v1
- Date: Wed, 3 Feb 2021 18:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 18:14:31.694007
- Title: Embodied Intelligence via Learning and Evolution
- Title(参考訳): 学習と進化による体型知能
- Authors: Agrim Gupta, Silvio Savarese, Surya Ganguli, Li Fei-Fei
- Abstract要約: 環境の複雑さが形態学的知能の進化を促進することを示す。
また、進化は速く学習する形態を素早く選択することを示した。
我々の実験は、ボールドウィン効果とモルフォロジーインテリジェンスの発生の両方の力学的基礎を示唆している。
- 参考スコア(独自算出の注目度): 92.26791530545479
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The intertwined processes of learning and evolution in complex environmental
niches have resulted in a remarkable diversity of morphological forms.
Moreover, many aspects of animal intelligence are deeply embodied in these
evolved morphologies. However, the principles governing relations between
environmental complexity, evolved morphology, and the learnability of
intelligent control, remain elusive, partially due to the substantial challenge
of performing large-scale in silico experiments on evolution and learning. We
introduce Deep Evolutionary Reinforcement Learning (DERL): a novel
computational framework which can evolve diverse agent morphologies to learn
challenging locomotion and manipulation tasks in complex environments using
only low level egocentric sensory information. Leveraging DERL we demonstrate
several relations between environmental complexity, morphological intelligence
and the learnability of control. First, environmental complexity fosters the
evolution of morphological intelligence as quantified by the ability of a
morphology to facilitate the learning of novel tasks. Second, evolution rapidly
selects morphologies that learn faster, thereby enabling behaviors learned late
in the lifetime of early ancestors to be expressed early in the lifetime of
their descendants. In agents that learn and evolve in complex environments,
this result constitutes the first demonstration of a long-conjectured
morphological Baldwin effect. Third, our experiments suggest a mechanistic
basis for both the Baldwin effect and the emergence of morphological
intelligence through the evolution of morphologies that are more physically
stable and energy efficient, and can therefore facilitate learning and control.
- Abstract(参考訳): 複雑な環境ニッチにおける学習と進化の中間過程は、形態学的形態の顕著な多様性をもたらした。
さらに、動物知能の多くの側面は、進化した形態学に深く浸透している。
しかしながら、進化と学習に関するシリコ実験において、環境複雑性、進化形態、知的制御の学習可能性の関係を規定する原則は、部分的には大きな課題である。
我々は,多種多様なエージェント形態を進化させ,低レベルの自己中心的感覚情報のみを用いて複雑な環境におけるロコモーションと操作タスクを学習できる新しい計算フレームワークであるdeep evolution reinforcement learning (derl)を提案する。
DERLを活用することで、環境の複雑さ、形態的知性、制御の学習性の間にいくつかの関係が示される。
まず、環境複雑性は、新しいタスクの学習を促進する形態素の能力によって定量化される形態素知の進化を促進する。
第二に、進化は速く学習する形態を素早く選び、初期の祖先の生後遅くに学んだ行動が子孫の生後早期に表現されるようにする。
複雑な環境で学習および進化するエージェントでは、この結果は長期予想ボルドウィン効果の最初の実証を構成する。
第三に、我々の実験は、より物理的に安定でエネルギー効率のよい形態学の進化を通じて、ボールドウィン効果と形態学知性の出現の両方の力学基盤を示唆している。
関連論文リスト
- The Evolution theory of Learning: From Natural Selection to
Reinforcement Learning [0.0]
強化学習は、人工知能において、環境から学習するインテリジェントエージェントを開発するための強力なツールである。
近年、研究者たちはこれら2つの明らかに異なる分野の関連性を探り、これまで考えられていたよりも密接な関係にあるという説得力のある証拠を発見した。
本稿では、これらの関係とその意味を考察し、進化システムにおける進化の理解とフィードバックの役割を高めるための強化学習原則の可能性を明らかにする。
論文 参考訳(メタデータ) (2023-06-16T16:44:14Z) - Multimodal foundation models are better simulators of the human brain [65.10501322822881]
1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。
視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
論文 参考訳(メタデータ) (2022-08-17T12:36:26Z) - Complex Evolutional Pattern Learning for Temporal Knowledge Graph
Reasoning [60.94357727688448]
TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。
進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。
本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
論文 参考訳(メタデータ) (2022-03-15T11:02:55Z) - The Introspective Agent: Interdependence of Strategy, Physiology, and
Sensing for Embodied Agents [51.94554095091305]
本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。
自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
論文 参考訳(メタデータ) (2022-01-02T20:14:01Z) - The Effects of Learning in Morphologically Evolving Robot Systems [8.627180519837657]
学習はタスクのパフォーマンスを大幅に向上させ、特定のフィットネスレベルに達するために必要な世代数を削減できることを示す。
学習はコントローラにのみ直接影響を与えるが、進化した形態も異なることを実証する。
進化過程を通じて、遺伝と学習した脳のパフォーマンス差である学習デルタが成長しているのを観察する。
論文 参考訳(メタデータ) (2021-11-18T18:20:33Z) - Towards a Theory of Evolution as Multilevel Learning [0.0]
生命の起源を含む生物学的進化の理論を多段階学習として発展させるために, 物理的に再正規化可能なシステムに学習理論を適用した。
我々は、宇宙を観測可能なものにするのに必要で十分と思われる進化の7つの基本原理を定式化する。
これらの原理は、複製や自然選択を含む生物進化の主要な特徴を包含していることを示す。
論文 参考訳(メタデータ) (2021-10-27T17:21:16Z) - Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。
これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。
我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文 参考訳(メタデータ) (2021-02-25T18:59:21Z) - Emergent Hand Morphology and Control from Optimizing Robust Grasps of
Diverse Objects [63.89096733478149]
多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。
形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。
我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-12-22T17:52:29Z) - An Experiment in Morphological Development for Learning ANN Based
Controllers [0.0]
学習過程は出生時の形態から始まり、成人になるまで形態を変化させる。
このアプローチをロボットシステムに移すと、文献で得られた結果は矛盾する。
本稿では,四足歩行における簡単な,しかし非常に有意義な実験から,いくつかの問題を解析する。
論文 参考訳(メタデータ) (2020-03-12T14:29:06Z) - Some Experiments on the influence of Problem Hardness in Morphological
Development based Learning of Neural Controllers [0.0]
本稿では,形態的発達が学習を促進するためにどのように活用できるかを考察する。
特に、複雑なタスクを学ぶ際に形態的発達が真に有利になるかどうか、そしてタスクが困難になるにつれて、そのタスクの学習への関連性に焦点をあてる。
論文 参考訳(メタデータ) (2020-03-12T14:23:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。