Open-Ended Cognitive Evolution for Autonomous Robots in Dynamic Environments
Questo articolo propone un framework di evoluzione cognitiva open-ended che consente ai robot autonomi di adattare dinamicamente i propri meccanismi di pensiero, apprendimento e interazione in risposta a situazioni inedite e cambiamenti ambientali, superando significativamente gli approcci a struttura fissa in termini di successo del compito, sicurezza ed efficienza.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate un robot progettato per lavorare in un magazzino. In un mondo perfetto e immutabile, gli ingegneri possono programmare il robot con ogni regola di cui avrà mai bisogno: come sollevare una scatola, dove posizionarla e cosa fare se una luce sfarfalla. Ma il mondo reale non è perfetto. Cambia. Potrebbe apparire un nuovo tipo di scatola, un sensore potrebbe uscire dall'allineamento o un percorso potrebbe improvvisamente diventare bloccato. Per far sì che un robot sopravviva in un luogo simile, non può limitarsi a memorizzare un elenco di fatti. Deve anche essere in grado di cambiare il modo in cui pensa, come impara dai propri errori e come interagisce con l'ambiente circostante. Questa è la sfida degli ambienti aperti: il robot deve adattarsi non solo a nuovi oggetti, ma anche a nuovi modi di risolvere i problemi.
Per anni, i ricercatori si sono concentrati sull'insegnare alle macchine come apprendere nuovi fatti o aggiornare le loro mappe interne. Questo è come uno studente che memorizza più date storiche. Tuttavia, uno studio suggerisce che per un robot veramente autonomo, memorizzare fatti non è sufficiente. Il robot deve anche essere in grado di riscrivere i propri libri di testo. Se il vecchio modo di pensare fallisce, il robot ha bisogno della capacità di inventare un nuovo modo di pensare, testarlo e mantenerlo se funziona. Questa è l'idea centrale dietro un nuovo framework di "evoluzione cognitiva open-ended", un sistema che permette a un robot di far crescere la propria mente nel tempo.
I ricercatori, guidati da Su Hong della Chengdu University of Information Technology, hanno costruito un sistema in cui un robot parte solo con un piccolo e base set di strumenti mentali. Questi strumenti sono generici: la capacità di osservare, di pensare, di apprendere, di interagire e di controllare se le cose stanno andando per il verso giusto. I modi specifici in cui il robot utilizza questi strumenti non sono fissi. Invece, il robot possiede un "repertorio" di metodi tra cui può scegliere. Se il robot incontra una situazione che non riesce a gestire, non si limita a provare con più forza con i vecchi trucchi di sempre. Può creare un metodo completamente nuovo, testarlo contro la realtà e aggiungerlo alla sua collezione per un uso futuro.
Per vedere se questa idea funziona, il team ha eseguito una serie di simulazioni in un ambiente di magazzino controllato. Hanno dato al robot un compito semplice: spostare oggetti gestendo informazioni confuse o contrastanti. Nel primo test, hanno introdotto situazioni in cui diversi sensori davano risposte contraddittorie al robot. Ad esempio, una telecamera poteva dire che una scatola era rossa, mentre un sensore di peso suggeriva che fosse leggera, creando un conflitto che la programmazione iniziale del robot non poteva risolvere. I ricercatori hanno confrontato il loro nuovo sistema con i metodi precedenti, che erano bloccati con un set fisso di regole di pensiero. I risultati sono stati sorprendenti. Quando il robot affrontava un tipo di conflitto completamente nuovo che non aveva mai visto, il nuovo sistema riusciva a risolvere il problema quasi il 95% delle volte. Al contrario, i sistemi più vecchi, che potevano solo memorizzare regole per i conflitti che avevano già visto, avevano successo solo circa il 60% delle volte. Ancora più importante, il nuovo sistema ha appreso un modo generale di controllare le contraddizioni e ha riutilizzato questa nuova abilità in quasi ogni conflitto futuro, dimostrando di aver realmente evoluto un nuovo modo di pensare piuttosto che aver solo memorizzato una singola risposta.
Il secondo test ha esaminato come il robot apprende. Nel mondo reale, la quantità di dati che un robot riceve può variare enormemente. A volte vede solo pochi esempi di un nuovo oggetto; altre volte, ne vede centinaia. I ricercatori hanno scoperto che un singolo metodo di apprendimento non può gestire tutte queste situazioni. Un metodo che funziona bene quando i dati sono scarsi potrebbe fallire quando i dati sono abbondanti, e viceversa. Il nuovo framework ha permesso al robot di passare tra diversi metodi di apprendimento a seconda della situazione. Quando i dati erano scarsi, si affidava alla memoria. Quando i dati erano abbondanti, passava all'addestramento di un modello predittivo. Quando l'ambiente iniziava a cambiare rapidamente, adottava una strategia focalizzata solo sulle informazioni più recenti. Lasciando che il robot scegliesse il proprio stile di apprendimento, il sistema ha migliorato il tasso di successo complessivo a quasi il 69%, superando significativamente il miglior metodo di apprendimento fisso, che gestiva solo circa il 56%. Il robot non ha solo imparato il compito; ha imparato come imparare.
L'ultimo test ha affrontato il pericolo di conoscenze obsolete. In un mondo che cambia, una regola che era vera ieri potrebbe essere falsa oggi. Se un robot continua a usare una vecchia regola dopo che l'ambiente è cambiato, può commettere errori pericolosi. I ricercatori hanno introdotto cambiamenti improvvisi e non annunciati nella simulazione, come la deriva di un sensore o un percorso bloccato. Hanno confrontato il loro sistema con uno che controllava i cambiamenti su un intervallo fisso, come un orologio. Il nuovo sistema aspettava un segnale che qualcosa non andasse: una discrepanza tra ciò che si aspettava e ciò che effettivamente vedeva. Quando appariva quel segnale, si fermava immediatamente, indagava e aggiornava la propria conoscenza. Questo approccio era molto più efficiente. Ha ridotto il numero di controlli non necessari di quasi la metà rispetto al sistema basato sull'orologio, riducendo drasticamente anche il tasso di errori pericolosi. Il robot commetteva meno errori e utilizzava meno energia per rimanere al sicuro.
Lo studio dimostra che affinché un robot possa operare in modo indipendente in un mondo dinamico, deve essere in grado di evolvere le proprie capacità. Non basta semplicemente aggiungere nuovi fatti a un database. Il robot deve essere in grado di inventare nuovi modi di ragionare, passare tra diverse strategie di apprendimento quando le condizioni cambiano e aggiornare i propri metodi quando il mondo si sposta sotto i suoi piedi. Gli esperimenti mostrano che questo approccio funziona, permettendo al robot di gestire conflitti mai visti, adattarsi a diversi ambienti di dati e rimanere al sicuro quando il mondo cambia inaspettatamente. Le scoperte suggeriscono che il futuro dei robot autonomi non risiede nel costruire macchine che sappiano tutto all'inizio, ma nel costruire macchine che possano insegnare a se stesse come pensare, apprendere e agire man mano che procedono.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.