En el diseño de un nuevo robot por lo general es una buena idea primero diseñar y probar en una simulación, para tener una idea de lo bien que su diseño va a funcionar. Pero incluso un robot simulado con éxito sólo le proporcionará una visión limitada de la forma en que va a hacer cuando realmente se construye: como hemos visto, incluso simulaciones sofisticadas no necesariamente revelan cómo los robots realizarán en el mundo real.
Esta desconexión fundamental entre la simulación y la realidad se vuelve especialmente problemática cuando usted está tratando con un área de la robótica, donde no es práctico construir versiones físicas de todo. La Robótica evolutiva es un muy buen ejemplo de ello, donde los diseños de robots se prueban y se repiten a lo largo cientos ( o miles) de generaciones: funciona muy bien en la simulación (si tienes un equipo rápido), pero es mucho más difícil de hacer en la práctica.
En un artículo publicado el mes pasado en PLoS ONE, Luzius Brodbeck, Simon Hauser y Fumiya Iida del Instituto de Robótica y Sistemas Inteligentes en ETH Zurich tomaron las cosas un paso más allá mediante la enseñanza de un “robot madre” para construir autónomamente niños robots de partes para ver qué tan bien se mueven, haciendo todo el trabajo duro de la evolución del robot sin ningún compromiso de simulación en absoluto.
La idea básica detrás de la robótica evolutiva es construir un montón de robots simples, prueba de ellos, de alguna manera, y luego tomar algunos de los robots más prometedores y los utilizan para informar el diseño a la siguiente generación. Esto es generalmente cómo funciona la evolución biología (supervivencia del más apto) y el hecho de que usted está sentado ahí leyendo esto es un testimonio de lo exitosa que puede ser.
En el diseño de un nuevo robot de la marca, por lo general es una buena idea para diseñar y probar que en la simulación de primera, para tener una idea de lo bien que su diseño va a funcionar. Pero incluso un robot simulado con éxito sólo le proporcionará una visión limitada de la forma en que va a hacer cuando realmente lo construye: como hemos visto, incluso simulaciones sofisticadas no necesariamente revelan cómo los robots realizarán en el mundo real.
Esta desconexión fundamental entre la simulación y la realidad se vuelve especialmente problemático cuando usted está tratando con un área de la robótica, donde no es práctico para construir versiones físicas de todo. Robótica evolutiva es un muy buen ejemplo de ello, donde los diseños de robots se prueban y se repiten a lo largo cientos ( o miles) de generaciones: funciona muy bien en la simulación (si tienes un equipo rápido), pero es mucho más difícil de hacer en la práctica. Sin embargo, con algo como robótica evolutiva, volvamos al tema original, que es que un robot que ha evolucionado para trabajar bien en la simulación no puede funcionar bien en absoluto fuera de la simulación, lo que pone en duda el valor de la iteración en el gimnasio de un robot a través de la simulación en absoluto.
En un artículo publicado el mes pasado en PLoS ONE, Luzius Brodbeck, Simon Hauser y Fumiya Iida del Instituto de Robótica y Sistemas Inteligentes en ETH Zurich tomaron las cosas un paso más allá mediante la enseñanza de un “robot madre” para construir autónomamente niños robots de componente partes para ver qué tan bien se mueven, haciendo todo el trabajo duro de la evolución del robot sin ningún compromiso de simulación en absoluto.
La idea básica detrás de robótica evolutiva es construir un montón de robots simples, prueba de ellos, de alguna manera, y luego tomar algunos de los robots más prometedores y los utilizan para informar el diseño de la siguiente generación. Esto es generalmente cómo funciona la evolución biología (supervivencia del más apto y lo que sea), y el hecho de que usted está sentado ahí leyendo esto es un testimonio de lo exitosa que puede ser. Para aquellos de nosotros que no tienen que esperar eones, los robots pueden desprenderse de la fuerza mucho más rápido, siempre y cuando usted está dispuesto a centrarse en un solo rasgo y mantener las cosas muy básicas.
https://www.youtube.com/watch?v=ApJFm9SM30U?rel=0&w=400&h=225
Se trata de un brazo UR5 “robot madre” la construcción de un agente de la locomoción (lo que yo he estado llamando un “robot niño”) de unas pocas partes estandarizadas, incluyendo los cubos de activos con una cara que gira y más pequeños cubos pasivos hechos de madera.
Una vez completada la evaluación, los robots niño se desmontan (de forma manual, por ahora) quitando el pegamento caliente, y los componentes se devuelven a la cola para hacer un nuevo robot. Mientras tanto, en el software, los diseños exitosos “elite” (los que eran capaces de moverse más lejos en la menor cantidad de tiempo) se llevan a la siguiente generación sin cambios. El sistema también muta o sus cruces élites para crear el resto de la próxima generación.
Para entender cómo funciona la reproducción y mutación de los robots, se puede pensar en ello en términos de genes. El diseño de cada robot puede ser descrito por un genoma que consta de entre uno y cinco genes, en donde cada gen describe las características de uno de los módulos que componen el robot niño, incluyendo su “cerebro” (en forma de parámetros de comando de motor ). El niño que está siendo construido en el primer vídeo de arriba tiene tres genes, y cada gen incluye información acerca de cómo se orienta ese módulo y dónde se pega al módulo anterior.
En el caso de una mutación, uno de tres cosas sucede: El genoma de una élite o bien ha añadido un gen completo al azar, un gen completo borrada al azar, o de un solo parámetro de un gen existente se cambia aleatoriamente. Así pues, en el contexto del robot que está siendo construido en el primer video, tal vez se pone otro módulo pegado a alguna parte (la adición de un gen), tal vez uno de los tres módulos consigue quitando (eliminación de un gen), o tal vez ese tercer módulo activo consigue colocado fuera del centro a la derecha en vez de la izquierda (cambiando el parámetro de un gen existente).
https://www.youtube.com/watch?v=jESMIYhxm0M?rel=0&w=400&h=225
Un cruce (reproducción) de los robots de élite es un poco más simple que una mutación: dos de élite “padre” robots consiguen sus genomas picados más o menos a la mitad, y los primeros genes de la primera matriz se apegan a los últimos genes de la segunda matriz . Esto puede resultar en algunos una rareza, por lo general, el enfoque favoreció más de cruces. Una vez que se calculan todas las mutaciones y cruces, el robot madre construye la próxima generación, que pone a prueba, y luego repite el proceso evolutivo de nuevo.
Los investigadores realizaron cinco experimentos, y en cada uno, 10 generaciones con 10 robots fueron construidos y probados. La figura anterior muestra cada robot del experimento 2; cada imagen pequeña es una vista superior en el comienzo del proceso de evaluación. El número que aparece en la esquina superior izquierda de cada imagen indica su gimnasio. Las líneas entre imágenes muestran el método utilizado para generar el nuevo genotipo (sólido negro: elite; fina negro: cruce; gris fina: mutación). Fitnesses negativos e imágenes faltantes indican el fracaso del proceso de construcción del robot respectiva. Las imágenes muestran que varios tipos de robots se ponen a prueba, y su aptitud aumenta en el curso del experimento.
Esta bastante complicada serie de imágenes muestra uno de los cinco experimentos en total, donde se construyeron 10 generaciones de robots, se desarrollaron y mejoraron. Hay a menudo una gran cantidad de variación entre incluso los robots de élite entre generaciones, probablemente porque muchos eran inestables, a veces va muy bien, ya veces no va bien en todos los [figura de abajo].
En todos los experimentos, la aptitud aumenta en relación con la generación inicial (A). Esto indica que el proceso evolutivo aplicado a la población inicial de robots mejora sus capacidades de locomoción. La vista superior de las trayectorias de los cuatro robots de éxito de los experimentos 1a, 1c, y 2 muestra que las diferentes estrategias de locomoción se aplican (B). Aunque la mayoría de soluciones de éxito como resultado un ciclo límite estable, comportamiento también más inestable (azul) se puede lograr un buen rendimiento.
Como se puede ver, las élites no siempre lo hacen bien cuando están de nuevo a prueba, incluso a través del diseño es el mismo. Preguntamos a los investigadores por qué no se ejecutan múltiples ensayos dentro de cada generación para tratar de explicar esto, pero a medida que nos explicaron, esta misma inconsistencia es parte del proceso evolutivo:
“Hay variaciones significativas en el comportamiento de algunos de los agentes, incluso con los genomas idénticos, que es la razón por la cual las élites a veces no se reproducen resultados similares en las generaciones posteriores. Por otro lado, resulta que, incluso sin múltiples ensayos, encontramos que la presión evolutiva tiende a seleccionar los más consistentes a través de generaciones, y por lo general genomas repetibles permanecer durante generaciones. Por eso nos quedamos con nuestro protocolo actual de experimentos. Después de todo, todo debe ser contado y valorado hacia la supervivencia, por lo tanto la falta de pruebas repetitivas precisas no influirían en el panorama general de lo que estamos tratando de entender en la evolución del robot físico “.
En general, “se observó un aumento de fitness de más de 40 por ciento durante 10 generaciones en todos los experimentos”, que es bastante bueno, pero la parte impresionante es que todo es física: los robots han sido todos construido y probado, para que sepa que su diseños de elite realmente son de élite, y se comportarán bien en cualquier aplicación que puede encontrar para un pequeño robot raro hecha de algunos cubos.
Entonces, ¿esto significa el fin de las simulaciones de evolución de los robots? No, en absoluto, y los investigadores se apresuran a señalar que sus métodos es probable que trabajar aún mejor cuando se combina con las simulaciones:
Las demostraciones muestran la viabilidad de la evolución modelo libre de un sistema físico. La evaluación de la aptitud de un candidato se hace con un robot físico, produciendo datos reales en un proceso que lleva mucho tiempo. Simulaciones por otro lado podrían probar más soluciones en el tiempo más corto. Por lo tanto, podría ser interesante combinar ambos métodos en lugar de utilizar un extremo con simulación o en el mundo real las pruebas solamente. Simulación podría por ejemplo ser empleado para preseleccionar candidatos prometedores para la prueba en el mundo real, lo que reduce la cantidad de tiempo dedicado a soluciones con baja o ninguna posibilidad de éxito.
Se trata de un brazo UR5 “robot madre” (que es lo que el documento llama) la construcción de un agente de la locomoción (lo que yo he estado llamando un “robot niño”) de unas pocas partes estandarizadas, incluyendo los cubos de activos con una cara que gira y más pequeños cubos pasivos hechos de madera. El robot madre pegamentos calientes cubos activas y pasivas juntos y luego los transporta a una zona de pruebas, donde están activados de forma inalámbrica y una cámara por encima de ellos relojes meneo alrededor:
Una vez completada la evaluación, los robots niño se desmontan (de forma manual, por ahora) quitando el pegamento caliente, y los componentes se devuelven a la cola para hacer un nuevo robot. Mientras tanto, en el software, los diseños exitosos “elite” (los que eran capaces de moverse más lejos en la menor cantidad de tiempo) se llevan a la siguiente generación sin cambios. El sistema también muta o sus cruces las élites para crear el resto de la próxima generación.
Para entender cómo funciona la reproducción y mutación de los robots, se puede pensar en ello en términos de genes. El diseño de cada robot puede ser descrito por un genoma que consta de entre uno y cinco genes, en donde cada gen describe las características de uno de los módulos que componen el robot niño, incluyendo su “cerebro” (en forma de parámetros de comando de motor ). El niño que está siendo construido en el primer vídeo de arriba tiene tres genes, y cada gen incluye información acerca de cómo se orienta ese módulo y dónde se pega al módulo anterior.
En el caso de una mutación, uno de tres cosas sucede: El genoma de una élite o bien ha añadido un gen completo al azar, un gen completo borrada al azar, o de un solo parámetro de un gen existente se cambia aleatoriamente. Así pues, en el contexto del robot que está siendo construido en el primer video, tal vez se pone otro módulo pegado a alguna parte (la adición de un gen), tal vez uno de los tres módulos consigue quitado (eliminación de un gen), o tal vez ese tercer módulo activo consigue colocado fuera del centro a la derecha en vez de la izquierda (cambiando el parámetro de un gen existente).
Un cruce (reproducción) de los robots de élite es un poco más simple que una mutación: dos de élite “padre” robots consiguen sus genomas picados más o menos a la mitad, y los primeros genes de la primera matriz se apegan a los últimos genes de la segunda matriz . Esto puede resultar en algunos rareza, por lo general, el enfoque favoreció mutaciones más de cruces. Una vez que se calculan todas las mutaciones y cruces, el robot madre construye la próxima generación, que pone a prueba, y luego repite el proceso evolutivo de nuevo.
Las demostraciones muestran la viabilidad de la evolución modelo libre de un sistema físico. La evaluación de la aptitud de un candidato se hace con un robot físico, produciendo datos reales en un proceso que lleva mucho tiempo. Simulaciones por otro lado podrían probar más soluciones en el tiempo más corto. Por lo tanto, podría ser interesante combinar ambos métodos en lugar de utilizar un extremo con simulación o en el mundo real las pruebas solamente. Simulación podría por ejemplo ser empleado para preseleccionar candidatos prometedores para la prueba en el mundo real, lo que reduce la cantidad de tiempo dedicado a soluciones con baja o ninguna posibilidad de éxito.
Para mas información: http://spectrum.ieee.org/
¿Quieres recibir más información como ésta? Síguenos en Facebook y en Google + para mantenerte actualizado con las últimas novedades.
O puedes utilizar los siguientes botones para Compartir en Redes Sociales:
