Open-Ended Cognitive Evolution for Autonomous Robots in Dynamic Environments
Dieses Paper schlägt ein Framework für eine offene kognitive Evolution vor, das autonomen Robotern ermöglicht, ihre Denk-, Lern- und Interaktionsmechanismen als Reaktion auf ungesehene Situationen und Umweltveränderungen dynamisch anzupassen, wobei es feststrukturierte Ansätze in Bezug auf Aufgabenerfolg, Sicherheit und Effizienz signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen Roboter vor, der in einem Lagerhaus arbeiten soll. In einer perfekten, unveränderlichen Welt können Ingenieure ihn mit jeder Regel programmieren, die er jemals benötigen wird: wie man eine Kiste aufhebt, wohin man sie platziert und was zu tun ist, wenn ein Licht flackert. Aber die reale Welt ist nicht perfekt. Sie verändert sich. Eine neue Art von Karton könnte auftauchen, ein Sensor könnte aus der Ausrichtung driften oder ein Pfad könnte plötzlich blockiert sein. Damit ein Roboter in einer solchen Umgebung überleben kann, darf er nicht nur eine Liste von Fakten auswendig lernen. Er muss auch in der Lage sein, die Art und Weise zu ändern, wie er denkt, wie er aus seinen Fehlern lernt und wie er mit seiner Umgebung interagiert. Dies ist die Herausforderung offener Umgebungen: Der Roboter muss sich nicht nur an neue Objekte anpassen, sondern auch an neue Wege der Problemlösung.
Jahrelang haben Forscher sich darauf konzentriert, Maschinen beizubringen, neue Fakten zu lernen oder ihre internen Karten zu aktualisieren. Das ist so, als würde ein Schüler mehr Geschichtsdaten auswendig lernen. Ein neues Paper legt jedoch nahe, dass für einen wirklich autonomen Roboter das Auswendiglernen von Fakten nicht ausreicht. Der Roboter muss auch in der Lage sein, seine eigenen Lehrbücher umzuschreiben. Wenn die alte Denkweise scheitert, benötigt der Roboter die Fähigkeit, eine neue Denkweise zu erfinden, sie zu testen und sie zu behalten, wenn sie funktioniert. Dies ist der Kernaspekt eines neuen Frameworks für „offenendende kognitive Evolution“ – ein System, das es einem Roboter ermöglicht, seinen Geist im Laufe der Zeit selbst wachsen zu lassen.
Die Forscher, unter der Leitung von Su Hong von der Chengdu University of Information Technology, entwickelten ein System, bei dem ein Roboter mit nur einem winzigen, grundlegenden Satz an mentalen Werkzeugen startet. Diese Werkzeuge sind generisch: die Fähigkeit zu beobachten, zu denken, zu lernen, zu interagieren und zu prüfen, ob die Dinge korrekt ablaufen. Die spezifischen Arten und Weisen, wie der Roboter diese Werkzeuge nutzt, sind nicht festgelegt. Stattdessen führt der Roboter ein „Repertoire“ an Methoden mit sich, aus denen er wählen kann. Wenn der Roboter auf eine Situation stößt, die er nicht bewältigen kann, versucht er nicht einfach nur mit denselben alten Tricks härter. Er kann eine brandneue Methode erschaffen, sie gegen die Realität testen und sie für die zukünftige Verwendung seiner Sammlung hinzufügen.
Um zu sehen, ob diese Idee funktioniert, führten die Forscher eine Reihe von Simulationen in einem kontrollierten Lagerumfeld durch. Sie gaben dem Roboter eine einfache Aufgabe: Objekte bewegen, während er mit verwirrenden oder widersprüchlichen Informationen umgeht. Im ersten Test führten sie Situationen ein, in denen verschiedene Sensoren dem Roboter widersprüchliche Antworten lieferten. Zum Beispiel könnte eine Kamera sagen, dass eine Kiste rot ist, während ein Gewichtssensor suggeriert, dass sie leicht ist, was einen Konflikt erzeugt, den die ursprüngliche Programmierung des Roboters nicht lösen konnte. Die Forscher verglichen ihr neues System mit älteren Methoden, die mit einem festen Satz von Denkregeln feststeckten. Die Ergebnisse waren beeindruckend. Als der Roboter mit einer völlig neuen Art von Konflikt konfrontiert wurde, den er noch nie gesehen hatte, gelang es dem neuen System in fast 95 % der Fälle, das Problem zu lösen. Im Gegensatz dazu erreichten die älteren Systeme, die nur Regeln für bereits bekannte Konflikte auswendig lernen konnten, lediglich etwa neunzig Prozent der Zeit. Wichtiger noch: Das neue System lernte eine allgemeine Methode, um Widersprüche zu prüfen, und wandte diese neue Fähigkeit in fast jedem zukünftigen Konflikt wieder an, was bewies, dass es tatsächlich eine neue Denkweise entwickelt hatte, anstatt nur eine einzige Antwort auswendig zu lernen.
Der zweite Test untersuchte, wie der Roboter lernt. In der realen Welt kann die Menge der Daten, die ein Roboter erhält, extrem schwanken. Manchmal sieht er nur wenige Beispiele eines neuen Objekts; ein anderes Mal sieht er hunderte. Die Forscher fanden heraus, dass eine einzige Lernmethode nicht alle diese Situationen bewältigen kann. Eine Methode, die gut funktioniert, wenn Daten knapp sind, könnte versagen, wenn Daten reichlich vorhanden sind, und umgekehrt. Das neue Framework ermöglichte es dem Roboter, je nach Situation zwischen verschiedenen Lernstrategien zu wechseln. Wenn die Daten spärlich waren, verließ er sich auf das Gedächtnis. Wenn die Daten reichlich vorhanden waren, wechselte er zum Training eines prädiktiven Modells. Wenn sich die Umgebung schnell veränderte, nahm er eine Strategie an, die sich nur auf die aktuellsten Informationen konzentrierte. Durch das Zulassen, dass der Roboter seinen eigenen Lernstil wählt, verbesserte das System seine Erfolgsquote auf fast 69 %, was die beste feste Lernmethode, die nur etwa 56 % erreichte, deutlich übertraf. Der Roboter lernte nicht nur die Aufgabe; er lernte, wie man lernt.
Der letzte Test befasste sich mit der Gefahr veralteter Kenntnisse. In einer sich verändernden Welt kann eine Regel, die gestern noch wahr war, heute falsch sein. Wenn ein Roboter weiterhin eine alte Regel anwendet, nachdem sich die Umgebung verschoben hat, kann er gefährliche Fehler machen. Die Forscher führten plötzliche, unangekündte Änderungen in die Simulation ein, wie etwa das Driften eines Sensors oder einen blockierten Pfad. Sie verglichen ihr System mit einem, das Kontrollen in festen Zeitabständen durchführt, ähnlich einer Uhr. Das neue System wartete auf ein Signal, dass etwas nicht stimmte – eine Diskrepanz zwischen dem, was es erwartete, und dem, was es tatsächlich sah. Sobald dieses Signal erschien, stoppte es sofort, untersuchte die Lage und aktualisierte sein Wissen. Dieser Ansatz war weitaus effizienter. Er reduzierte die Anzahl der unnötigen Überprüfungen im Vergleich zum uhrzeitbasierten System um fast die Hälfte und senkte gleichzeitig die Rate gefährlicher Fehler drastisch. Der Roboter machte weniger Fehler und verbrauchte weniger Energie, um sicher zu bleiben.
Die Studie zeigt, dass ein Roboter, um unabhängig in einer dynamischen Welt zu operieren, in der Lage sein muss, seine eigenen Fähigkeiten zu entwickeln. Es reicht nicht aus, lediglich neue Fakten zu einer Datenbank hinzuzufügen. Der Robot muss in der Lage sein, neue Wege des Denkens zu erfinden, seine Lernstrategien zu wechseln, wenn sich die Bedingungen ändern, und seine Methoden zu aktualisieren, wenn sich die Welt unter seinen Füßen verschiebt. Die Experimente zeigen, dass dieser Ansatz funktioniert und es dem Roboter ermöglicht, ungesehene Konflikte zu bewältigen, sich an unterschiedliche Datenumgebungen anzupassen und sicher zu bleiben, wenn sich die Welt unerwartet verändert. Die Ergebnisse legen nahe, dass die Zukunft autonomer Roboter nicht darin liegt, Maschinen zu bauen, die zu Beginn schon alles wissen, sondern Maschinen, die lernen können, wie sie selbst denken, lernen und handeln, während sie im Einsatz sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.