論文の概要: Morpho-evolution with learning using a controller archive as an inheritance mechanism

• arxiv url: http://arxiv.org/abs/2104.04269v1
• Date: Fri, 9 Apr 2021 09:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-12 13:57:39.146538
• Title: Morpho-evolution with learning using a controller archive as an inheritance mechanism
• Title（参考訳）: 継承機構としてのコントローラアーカイブを用いた学習によるモルフォ進化
• Abstract要約: 本稿では,ボディープランを生成する進化的アルゴリズムと,ニューラルコントローラのパラメータを最適化する学習アルゴリズムを組み合わせたフレームワークを提案する。 ランダムに初期化したものから学習するのではなく,アーカイブから適切なコントローラを継承することにより,学習の速度と規模が時間とともに大きくなることを示す。 このフレームワークはまた、進化と学習の複雑な相互作用と、ロボット設計における形態的知性の役割に関する新しい洞察を提供する。
• 参考スコア（独自算出の注目度）: 4.364091192392204
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In evolutionary robotics, several approaches have been shown to be capable of the joint optimisation of body-plans and controllers by either using only evolution or combining evolution and learning. When working in rich morphological spaces, it is common for offspring to have body-plans that are very different from either of their parents, which can cause difficulties with respect to inheriting a suitable controller. To address this, we propose a framework that combines an evolutionary algorithm to generate body-plans and a learning algorithm to optimise the parameters of a neural controller where the topology of this controller is created once the body-plan of each offspring body-plan is generated. The key novelty of the approach is to add an external archive for storing learned controllers that map to explicit `types' of robots (where this is defined with respect the features of the body-plan). By inheriting an appropriate controller from the archive rather than learning from a randomly initialised one, we show that both the speed and magnitude of learning increases over time when compared to an approach that starts from scratch, using three different test-beds. The framework also provides new insights into the complex interactions between evolution and learning, and the role of morphological intelligence in robot design.
• Abstract（参考訳）: 進化ロボティクスでは、進化のみを利用するか、進化と学習を組み合わせることによって、ボディプランとコントローラを共同最適化できるいくつかのアプローチが示されている。 リッチな形態空間で働く場合、親のどちらとも非常に異なるボディプランを持つことが一般的であり、適切なコントローラを継承することに関して困難を引き起こす可能性がある。 そこで本研究では,身体計画を生成する進化的アルゴリズムと学習アルゴリズムを組み合わせて,それぞれの身体計画が生成されると,そのトポロジが生成されるニューラルコントローラのパラメータを最適化するフレームワークを提案する。 このアプローチの目新しいところは、学習したコントローラを格納するための外部アーカイブを追加することで、ロボットの明示的な「型」にマッピングする(これはボディプランの特徴に関して定義されている)。 ランダムに初期化したものから学習するのではなく,アーカイブから適切なコントローラを継承することにより,スクラッチから始まるアプローチと比較して,学習の速度と規模が時間とともに増加することを示す。 このフレームワークはまた、進化と学習の複雑な相互作用と、ロボット設計における形態的知性の役割に関する新しい洞察を提供する。

関連論文リスト

• Shaping the Evolutionary Dynamics of Robot Morphology via Adaptive Control Learning [24.31239427177829]
  学習を2次元に分割する際の形態学的な寄与を示す。 本稿では,進化過程における形態的知能の不均質な選択をモニタするAdaControlを提案する。 シンプルな遺伝的アルゴリズムであるAdaControlは、多種多様なハイパフォーマンスなデザインを発見するために、最先端のジェネレーティブモデルに基づく共同設計手法と競合する。
  論文  参考訳（メタデータ） (2026-08-24T11:06:24Z)
• Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning [128.76135832773102]
  物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。 近年のロボット学習法は, 力, 触覚, 視覚, 言語, 触覚を学習操作ポリシーに組み込むことで, 大幅な進歩を遂げている。 これらの進歩にもかかわらず、既存の調査では、統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。
  論文  参考訳（メタデータ） (2026-08-02T14:22:01Z)
• Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
  タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。 近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。 本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
  論文  参考訳（メタデータ） (2026-06-06T11:09:46Z)
• ECo-MoE: Embodiment-Conditioned Mixture of Experts Increases the Evolvability of Robots [9.541468090679913]
  我々は,潜伏設計ベクトル(遺伝子型)と制御専門家(神経モジュール)の混合分布を共最適化するロボットにおいて,進化と学習のモデルを導入する。 この過程を「デモによるエボ」と呼び、フリーフォームの進化を標準構造へ導くのにどのように使えるかを探る。
  論文  参考訳（メタデータ） (2026-05-22T21:11:47Z)
• Integrating Sample Inheritance into Bayesian Optimization for Evolutionary Robotics [0.0]
  進化ロボット工学では、ロボット形態は進化アルゴリズムを使って自動的に設計される。 一般的なアプローチは、各形態のコントローラ最適化を含むことであるが、新しいボディをスクラッチから始めると、高いコントローラ学習予算が必要になるかもしれない。 制御器の最適化にベイズ最適化を用い、その効率を生かし、サンプル継承をラマルク継承の一形態として利用することでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-01-07T11:18:29Z)
• Evolution and learning in differentiable robots [0.0]
  我々は、異なるシミュレーションを用いて、多数の候補体計画において、行動の個々の神経制御を迅速かつ同時に最適化する。 個体群における各ロボットの機械的構造の変化は,探索の外ループに遺伝的アルゴリズムを適用した。 シミュレーションで発見された非常に微分可能な形態の1つは、物理ロボットとして実現され、その最適化された振る舞いを維持できた。
  論文  参考訳（メタデータ） (2024-05-23T15:45:43Z)
• A comparison of controller architectures and learning mechanisms for arbitrary robot morphologies [2.884244918665901]
  学習ロボットの形態が事前に分かっていない場合、ロボットコントローラと学習方法の組み合わせはどのように使うべきか。 我々は3つのコントローラとラーナーの組み合わせを実験的に比較した。 有効性、効率、堅牢性を比較します。
  論文  参考訳（メタデータ） (2023-09-25T07:11:43Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Universal Morphology Control via Contextual Modulation [52.742056836818136]
  異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。 既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。 本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:04:12Z)
• Co-evolving morphology and control of soft robots using a single genome [0.0]
  本稿では,ロボットの形態と制御を共進化させる新しい手法を提案する。 本手法は,1つのゲノムからエージェントの「脳」と「体」の両方を抽出し,それらを同時に開発する。 提案手法を4つのタスクで評価し,探索空間が大きくても1つのゲノムを持つと進化過程の収束が早くなることを示した。
  論文  参考訳（メタデータ） (2022-12-22T07:34:31Z)
• DMAP: a Distributed Morphological Attention Policy for Learning to Locomote with a Changing Body [126.52031472297413]
  本稿では,生物学的に着想を得たポリシーネットワークアーキテクチャであるDMAPを紹介する。 主観的状態に基づく制御ポリシは,高度に可変な身体構成では不十分であることを示す。 DMAPは、すべての考慮された環境において、全体的な一致またはオラクルエージェントのパフォーマンスを超越して、エンドツーエンドで訓練することができる。
  論文  参考訳（メタデータ） (2022-09-28T16:45:35Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
  四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。 高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。 確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
  論文  参考訳（メタデータ） (2020-09-21T16:49:26Z)
• Decentralized Deep Reinforcement Learning for a Distributed and Adaptive Locomotion Controller of a Hexapod Robot [0.6193838300896449]
  昆虫運動制御において,異なる脚の協調のための分散型組織を提案する。 同時的な局所構造は、歩行行動を改善することができる。
  論文  参考訳（メタデータ） (2020-05-21T11:40:37Z)

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。