Open-Ended Cognitive Evolution for Autonomous Robots in Dynamic Environments
Dit artikel stelt een open einde cognitief evolutiekader voor dat autonome robots in staat stelt om hun denk-, leer- en interactiemechanismen dynamisch aan te passen als reactie op onvoorziene situaties en omgevingsveranderingen, waarbij zij vastgestructureerde benaderingen aanzienlijk overtreffen op het gebied van taaksucces, veiligheid en efficiëntie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een robot voor die ontworpen is om in een magazijn te werken. In een perfecte, onveranderlijke wereld kunnen ingenieurs het programmeren met elke regel die het ooit nodig zal hebben: hoe een doos op te pakken, waar deze te plaatsen, en wat te doen als een licht flikkert. Maar de echte wereld is niet perfect. Het verandert. Er kan een nieuw type doos verschijnen, een sensor kan uit de pas lopen, of een pad kan plotseling geblokkeerd raken. Voor een robot om in een dergelijke omgeving te overleven, kan het niet alleen een lijst met feiten memoriseren. Het moet ook in staat zijn om te veranderen hoe het denkt, hoe het leert van zijn fouten en hoe het interactie heeft met zijn omgeving. Dit is de uitdaging van open omgevingen: de robot moet zich niet alleen aanpassen aan nieuwe objecten, maar ook aan nieuwe manieren om problemen op te lossen.
Jarenlang hebben onderzoekers zich gericht op het aanleren van nieuwe feiten aan machines of het bijwerken van hun interne kaarten. Dit is als een student die meer historische datactionen uit het hoofd leert. Echter, een nieuwe studie suggereert dat voor een werkelijk autonome robot, het memoriseren van feiten niet genoeg is. De robot moet ook in staat zijn om zijn eigen tekstboeken te herschrijven. Als de oude manier van denken faalt, heeft de robot de mogelijkheid nodig om een nieuwe manier van denken uit te vinden, deze te testen en deze te behouden als het werkt. Dit is de kern van het idee achter een nieuw kader voor "open-ended cognitieve evolutie", een systeem dat een robot in staat stelt om gedurende de tijd zijn eigen geest te laten groeien.
De onderzoekers, onder leiding van Su Hong van de Chengdu University of Information Technology, bouwden een systeem waarbij een robot begint met slechts een zeer kleine, basisset mentale instrumenten. Deze instrumenten zijn generiek: het vermogen om te observeren, te denken, te leren, te interageren en te controleren of de zaken goed gaan. De specifieke manieren waarop de robot deze instrumenten gebruikt, staan niet vast. In plaats daarvan voert de robot een "repertoire" aan methoden met zich mee waaruit hij kan kiezen. Als de robot een situatie tegenkomt die hij niet kan afhandelen, probeert hij niet simpelweg harder met dezelfde oude trucs. Hij kan een volledig nieuwe methode creëren, deze testen tegen de realiteit en deze aan zijn collectie toevoegen voor toekomstig gebruik.
Om te zien of dit idee werkt, voerden het team een reeks simulaties uit in een gecontroleerde magazijnsetting. Ze gaven de robot een eenvoudige taak: objecten rondbewegen terwijl hij omgaat met verwarrende of tegenstrijdige informatie. In de eerste test introduceerden ze situaties waarin verschillende sensoren de robot tegenstrijdige antwoorden gaven. Bijvoorbeeld, een camera zou kunnen zeggen dat een doos rood is, terwijl een gewichtssensor suggereert dat deze licht is, wat een conflict creëert dat de initiële programmering van de robot niet kon oplossen. De onderzoekers vergeleken hun nieuwe systeem met oudere methoden die vastzaten aan een vaste set denkregels. De resultaten waren opmerkelijk. Wanneer de robot werd geconfronteerd met een volledig nieuw type conflict dat hij nog nooit eerder had gezien, slaagde het nieuwe systeem er bijna 95% van de tijd in het probleem op te lossen. In contrast hiermee slaagden de oudere systemen, die alleen regels konden memoriseren voor conflicten die ze al hadden gezien, slechts ongeveer 60% van de tijd. Belangrijker nog, het nieuwe systeem leerde een algemene manier om tegenstrijdigheden te controleren en hergebruikte die nieuwe vaardigheid in bijna elk toekomstig conflict, wat bewees dat het echt een nieuwe manier van denken had geëvolueerd in plaats van slechts één enkel antwoord te memoriseren.
De tweede test keek naar hoe de robot leert. In de echte wereld kan de hoeveelheid data die een robot ontvangt enorm variëren. Soms ziet hij slechts enkele voorbeelden van een nieuw object; andere keren ziet hij er honderden. De onderzoekers ontdekten dat één enkele leermethode niet alle situaties kan aanpakken. Een methode die goed werkt wanneer data schaars is, kan falen wanneer data overvloedig is, en vice versa. Het nieuwe kader stelde de robot in staat om tussen verschillende leerstrategieën te schakelen afhankelijk van de situatie. Wanneer de data schaars was, vertrouwde hij op geheugen. Wanneer de data overvloedig was, schakelde hij over naar het trainen van een predictief model. Wanneer de omgeving snel begon te veranderen, adopteerde hij een strategie die zich concentreerde op de meest recente informatie. Door de robot zijn eigen leerstijl te laten kiezen, verbeterde het systeem de algehele succesratio tot bijna 69%, wat de beste vaste leermethode, die slechts ongeveer 56% behaalde, aanzienlijk overtrof. De robot leerde niet alleen de taak; hij leerde hoe hij moest leren.
De laatste test richtte zich op het gevaar van verouderde kennis. In een veranderende wereld kan een regel die gisteren nog waar was, vandaag onwaar zijn. Als een robot een oude regel blijft gebruiken nadat de omgeving is verschoven, kan hij gevaarlijke fouten maken. De onderzoekers introduceerden plotselinge, onverwachte veranderingen in de simulatie, zoals een sensor die uit de pas loopt of een pad dat geblokkeerd raakt. Ze vergeleken hun systeem met een systeem dat op een vaste planning controleert, zoals een klok. Het nieuwe systeem wachtte op een signaal dat er iets mis was — een discrepantie tussen wat het verwachtte en wat het daadwerkelijk zag. Wanneer dat signaal verscheen, stopte het onmiddellijk, onderzocht de situatie en bijwerkte de kennis. Deze aanpak was veel efficiënter. Het verminderde het aantal onnodige controles met bijna de helft in vergelijking met het klokgebaseerde systeem, terwijl het ook het aantal gevaarlijke fouten drastisch verlaagde. De robot maakte minder fouten en gebruikte minder energie om veilig te blijven.
De studie toont aan dat voor een robot om onafhankelijk te opereren in een dynamische wereld, hij in staat moet zijn om zijn eigen capaciteiten te laten evolueren. Het is niet genoeg om simpelweg nieuwe feiten aan een database toe te voegen. De robot moet in staat zijn om nieuwe manieren van redeneren uit te vinden, te schakelen tussen leerstrategieën wanneer de omstandigheden veranderen, en zijn methoden bij te werken wanneer de wereld onder zijn voeten verschuift. De experimenten laten zien dat deze aanpak werkt, waardoor de robot ongeziene conflicten kan afhandelen, kan aanpassen aan verschillende datamgevingen en veilig kan blijven wanneer de wereld onverwacht verandert. De bevindingen suggereren dat de toekomst van autonome robots niet ligt in het bouwen van machines die aan het begin alles weten, maar in het bouwen van machines die zichzelf kunnen leren hoe ze moeten denken, leren en handelen terwijl ze bezig zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.