Bioinspirerede robotter kan nu lære at sværme på farten

En ny generation af sværmende robotter, der uafhængigt kan lære og udvikle ny adfærd i naturen, er et skridt tættere på, takket være forskning fra University of Bristol og University of the West of England (UWE).

Teamet brugte kunstig evolution til at sætte robotterne i stand til automatisk at lære sværmadfærd, der er forståelig for mennesker. Dette nye forskud offentliggjort i dag i Avancerede intelligente systemer , kunne skabe nye robotmuligheder for miljøovervågning, genopretning af katastrofer, vedligeholdelse af infrastrukturen, logistik og landbrug.

Indtil nu, kunstig evolution er typisk blevet kørt på en computer, der er ekstern i forhold til sværmen, med den bedste strategi derefter kopieret til robotterne. Imidlertid, denne tilgang er begrænsende, da den kræver ekstern infrastruktur og et laboratorium.

Ved at bruge en specialfremstillet sværm af robotter med høj processorkraft indlejret i sværmen, Bristol -teamet var i stand til at opdage, hvilke regler der giver anledning til ønsket sværmadfærd. Dette kan føre til robotsværme, der er i stand til kontinuerligt og uafhængigt at tilpasse sig i naturen, for at opfylde miljøerne og opgaverne ved hånden. Ved at gøre de udviklede controllere forståelige for mennesker, controllerne kan også forespørges, forklaret og forbedret.

Hovedforfatter, Simon Jones, fra University of Bristols Robotics Lab sagde:"Menneskeligt forståelige controllere giver os mulighed for at analysere og verificere automatiske designs, for at sikre sikkerhed ved implementering i virkelige applikationer. "

Medledet af Dr. Sabine Hauert, ingeniørerne udnyttede de seneste fremskridt inden for højtydende mobil computing, at bygge en sværm af robotter inspireret af dem i naturen. Deres "Teraflop Swarm 'har evnen til at køre den beregningsmæssigt intensive automatiske designproces helt inden for sværmen, frigøre det fra begrænsningen af ​​off-line ressourcer. Sværmen når et højt præstationsniveau på bare 15 minutter, meget hurtigere end tidligere legemliggjorte udviklingsmetoder, og uden tillid til ekstern infrastruktur.

Dr. Hauert, Seniorlektor i robotteknologi i Institut for Ingeniørmatematik og Bristol Robotics Laboratory (BRL), sagde:"Dette er det første skridt i retning af robotsværme, der automatisk opdager passende sværmstrategier i naturen."

"Det næste trin vil være at få disse robotsværme ud af laboratoriet og demonstrere vores foreslåede tilgang i virkelige applikationer."

Ved at frigøre sværmen af ​​ekstern infrastruktur, og ved at vise, at det er muligt at analysere, forstå og forklare de genererede controllere, forskerne vil bevæge sig hen imod det automatiske design af sværmkontrollere i virkelige applikationer.

I fremtiden, starter forfra, en robotsværm kunne opdage en passende strategi direkte in situ, og ændre strategien, når sværmopgaven, eller ændringer i miljøet.

Professor Alan Winfield, BRL og Science Communication Unit, UWE, sagde:"I mange moderne AI -systemer, især dem, der anvender Deep Learning, det er næsten umuligt at forstå, hvorfor systemet tog en bestemt beslutning. Denne mangel på gennemsigtighed kan være et reelt problem, hvis systemet træffer en dårlig beslutning og forårsager skade. En vigtig fordel ved systemet beskrevet i dette papir er, at det er gennemsigtigt:dets beslutningsproces er forståelig for mennesker. "