Hur kan man optimera representationer inom evolverande system för att maximera prestation och beteendemångfald?

HebNet är en återkommande, fullt sammankopplad artificiell neuronnätverksmodell som införlivar Hebbsk inlärning. Denna metod gör det möjligt för synapser att uppvisa plastiska egenskaper, vilket underlättar lärande i realtid. I denna uppsättning utvecklas både plastisiteten och de initiala vikterna genom Hebbsk inlärning under simuleringens gång. För att kunna genomföra optimering används ett flertal representationsmetoder, vilka samverkar för att skapa en lösning som maximaliserar fitnessvärdet, enligt den specificerade problembeskrivningen.

Optimeringsmetoden syftar till att hitta den kandidatrepresentation som uppfyller kraven i problemet. För detta ändamål används genetiska operatörer för att generera nya kandidater i varje generation. Dessa nya kandidater ersätter de minst effektiva. Denna iterativa heuristiska sökning gör att representationerna gradvis förbättras genom varje generation, och sökningen fortsätter tills ett avslutande kriterium uppfylls. Ett avslutande kriterium kan exempelvis vara att ett maximalt antal generationer har uppnåtts eller att inga förbättringar i fitnessvärdet har skett under ett antal på varandra följande generationer.

I FREVO, som är ett system för att evolvera representationer, erbjuds ett antal optimeringsmetoder. En av dessa är den slumpmässiga sökmetoden, som fungerar som en baseline för jämförelse, där slumpmässigt genererade kandidater ersätter de med låg fitness. En annan metod är NNGA (Neural Network Genetic Algorithm), en evolutionär algoritm som maximerar befolkningsdiversitet genom att stödja flera populationer och olika rankningsalgoritmer. Denna metod lämpar sig särskilt väl för att utveckla alla typer av representationer.

För att sortera kandidater baserat på deras prestanda används en rankningsalgoritm. Denna algoritm ansvarar även för parallelliseringen av beräkningsprocessen för att minska den totala simuleringstiden. Det finns två typer av absoluta rankningar som kan användas i FREVO: den vanliga absoluta rankningen, som ordnar kandidater efter deras fitnessvärde, och novelty rankning, där kandidater rangordnas baserat på deras nyhet i det beteendemässiga rummet. Vid problem som kräver parvisa jämförelser mellan kandidater används en struktur baserad på AbstractMultiProblem. För denna typ av problem erbjuds fullständig turneringsrankning och en rankning baserad på det schweiziska systemet. Detta system, som har sitt ursprung i schackturneringar, kan ge en rankning med färre jämförelser men till en något lägre noggrannhet.

I FREVO-systemet finns också en grafisk användargränssnitt (GUI) som erbjuder ett smidigt sätt att snabbt bedöma komponenter inom den evolutionära designprocessen. GUI:t visualiserar den modulära arkitekturen och ger användaren möjlighet att välja problem, optimeringsmetod, kandidatrepresentation och rankningsmetod steg för steg. Detta underlättar användningen av nya komponenter och gör det möjligt att anpassa olika parametrar för att testa nya lösningar. Under optimeringsprocessen kan användaren övervaka framstegen i realtid, med hjälp av grafer som visar förändringar i fitness och mångfald över generationerna.

FREVO-systemet har ett arbetsflöde som gör optimering med existerande komponenter extremt lättillgängligt. Genom att välja problem, optimeringsmetod, kandidatrepresentation och rankningsalgoritm kan användaren snabbt initiera optimeringsprocessen, som sedan fortlöper tills avslutningskriterierna är uppfyllda. Det gör det enkelt att skapa nya problemkomponenter, där ett skelettkod genereras för att hjälpa utvecklare att implementera nya komponenter i modellbiblioteket. Efter att ha valt komponenttyp, namn och beskrivning genereras koden och sparas i ett specifikt bibliotek.

Det är viktigt att förstå att denna typ av optimering inte bara handlar om att hitta den bästa lösningen på ett givet problem, utan också om att upprätthålla och främja beteendemångfald genom hela evolveringsprocessen. Detta är avgörande för att skapa robusta och flexibla system som kan hantera komplexa och föränderliga miljöer. Mångfalden av beteenden som skapas genom olika optimeringsmetoder är ofta den verkliga nyckeln till framgång, då den gör systemen mer anpassningsbara och hållbara över tid.

Hur kan svärmintelligens och cyber-fysiska system möta framtida utmaningar?

Att hantera ett system bestående av många autonoma komponenter innebär utmaningar, men kan samtidigt öppna dörrar för nya möjligheter när det gäller intern övervakning och felsökning. Ett konkret exempel på detta ges av Christensen et al. [63], där misslyckade robotar snabbt upptäcks och isoleras från svärmen, vilket belyser potentialen för att adressera problem inom systemet självt. I sammanhanget av svärmintelligens handlar det om att identifiera och implementera regler för samordning och självorganisering på ett sätt som både främjar effektivitet och hanterbarhet.

För att underlätta en mer formell analys och främja den systematiska återanvändningen av resultat i svärmintelligens, är det fördelaktigt att placera svärmintelligens inom ramen för komplexa system och nätverksvetenskap. Detta öppnar för användning av sofistikerade matematiska och modelleringsverktyg som vanligen används inom studiet av komplexa system och kan hjälpa till att karaktärisera egenskaper som tidsutveckling, stabilitet samt strukturella och topologiska aspekter. En särskild fokus på strukturella och topologiska egenskaper har på senare tid fått stor uppmärksamhet, eftersom informationsflöde spelar en central roll i självorganisering och framväxt [143, 79].

Det är också avgörande att identifiera sambandet mellan svärmintelligens och fälten för spelteori och multi-agent-system [351]. Trots att denna koppling ännu inte har utforskats till fullo, kan insikter från spelteori och mekanismdesign ge möjliga alternativ för att skapa interaktionsregler och analysera de formella egenskaperna hos svärmintelligenssystem. Koncept som jämvikt inom spelteori och interaktionsregeldesign genom mekanismdesign [272, 41] representerar lovande vägar för automatisk regelgenerering.

Det finns en växande närvaro av komplexa dynamiska system som i allt högre grad är kollektivt organiserade och sammanlänkade. Dessa system kan vara cyber- eller fysiska, eller som i många fall, både, vilket utgör ett cyber-fysiskt system. Givet naturen och egenskaperna hos dessa system kommer svärmintelligens att spela en central roll i att hantera de kommande utmaningarna. Med tanke på de stora lösningsmöjligheterna och de mångsidiga utmaningarna kan nya svärmmodeller behövas, och nya tillämpningsområden kommer att öppnas.

De mest framgångsrika modellerna av svärmintelligens har hittills varit inspirerade av sociala interaktioner inom djurgrupper och samhällen. Dessa observationer förväntas fortsätta vara en konstant källa till inspiration för nya modeller av svärmintelligens. Emellertid kan vi också expandera inspirationsmodellerna till att omfatta både organiska och oorganiska system samt sociala system med liknande fundamentala egenskaper. Genom att reducera dessa modeller till de funktionella element som krävs i de flesta svärmintelligensmodeller kan vi identifiera väsentliga mikroskopiska beteenden och lokala interaktionsregler. Dessa mikroskopiska interaktioner genererar självorganiserande beteenden som ett emergent fenomen på makroskopisk nivå.

En viktig utmaning ligger i att bygga och extrahera abstrakta modeller från naturliga inspirationskäll

Hur fungerar självorienterande robotkollektiv i komplexa miljöer?

Självorganisering i robotkollektiv utgör en av de mest utmanande och samtidigt mest lovande inriktningarna inom samtida robotikforskning. Genom att hämta inspiration från biologiska system, såsom myrstackar, fågelflockar eller fiskstim, kan ingenjörer och forskare designa autonoma robotsystem som inte kräver centralstyrning men ändå uppvisar samordnad, målinriktad och robust kollektiv intelligens. I dessa system blir kommunikationsprotokoll, topologier och inlärningsalgoritmer själva grunden för emergenta beteenden.

Simuleringsmiljöer såsom Webots™, tillsammans med fysiska plattformar som Thymio och e-puck, har spelat en central roll i att föra robotik in i utbildningssystemet och möjliggöra tillgänglig experimentering med svärmbeteenden. Dessa verktyg utgör inte enbart pedagogiska resurser utan fungerar även som testbäddar för avancerade algoritmer inom realtidssystem, kollektiv navigation och uppdragsallokering.

Men övergången från simulering till verklig miljö – den så kallade "reality gap" – kvarstår som ett kritiskt hinder. Mouret och Chatzilygeroudis lyfter detta problem och framhåller vikten av adaptiva strategier för att mildra skillnader mellan simulerad och fysisk dynamik. Federated reinforcement learning, som beskrivs i nyare arbeten av Na et al., erbjuder ett potentiellt svar genom att tillåta decentraliserad inlärning som är både lokal och kollektiv, och därmed anpassningsbar till varierande omständigheter.

Robotsvärmar som kan rekonfigurera sig själva, såsom M-TRAN, visar på modularitetens kraft i att möjliggöra morfologisk anpassning till varierande terräng och uppgifter. I katastrofmiljöer där snabba insatser är avgörande, har sådana system potential att revolutionera hur sök- och räddningsuppdrag utförs. Murphy et al. understryker att kombinationen av autonom navigering, kollektiv beslutsfattning och robust sensorfusion gör svärmar särskilt lämpliga för dessa tillämpningar.

Att förstå människans roll i dessa system är avgörande. Nagi et al. visar att spatiala gester och symbiotisk interaktion mellan människor och robotkollektiv inte bara är tekniskt möjliga, utan nödvändiga för att säkerställa tillförlitlighet, anpassningsförmåga och samhällelig acceptans. Detta ställer krav på utveckling av interaktiva gränssnitt som möjliggör intuitiv styrning utan att underminera den autonoma kärnan i systemet.

Viktigt att förstå är att styrkan i dessa system inte ligger i precisionen hos enskilda robotar, utan i resiliensen, flexibiliteten och självförbättringen hos kollektivet som helhet. Kommunikation, både direkt och indirekt, fungerar som den bärande infrastrukturen i denna decentraliserade intelligens. Algoritmer måste inte bara vara effektiva utan också etiskt hållbara, tolkningsbara och anpassade till sociala och miljömässiga sammanhang där de ska tillämpas.