الرئيسيةعريقبحث

علم روبوتات تطوري


☰ جدول المحتويات


علم الروبوتات التطوري (ER) هو منهجية تستخدم الحوسبة التطورية لتطوير وحدات تحكم خاصة بـالروبوتات المستقلة بذاتها. وتعمل الخوارزميات في الروبوتات التطورية بشكل متكرر على فئات من وحدات التحكم المرشحة، التي يتم اختيارها مبدئيًا من بين مجموعة من التوزيعات. ويجري تعديل هذه الفئة بصورة متكررة وفقًا لـدالة اللياقة. وفي حالة الخوارزمية الجينية (أو "GA")، وهي طريقة شائعة في الحوسبة التطورية، يتم تطوير فئة وحدات التحكم على نحو متكرر وفقًا للعبور والتبديل وغيرها من عوامل الخوارزمية الجينية ثم يتم انتقاؤها وفقًا لـدالة اللياقة. ويمكن استخلاص وحدات التحكم المرشحة المستخدمة في تطبيقات الروبوتات التطورية من بعض المجموعات الفرعية من مجموعة الشبكات العصبية الاصطناعية، على الرغم من أن بعض التطبيقات (بما في ذلك تطبيق SAMUEL، الذي تم تطويره في مركز البحرية للأبحاث التطبيقية في الذكاء الاصطناعي) تستخدم مجموعات مختارة من قواعد "IF THEN ELSE" كأجزاء مكونة من وحدة تحكم فردية. ومن الممكن نظريًا استخدام أي مجموعة من الصياغات الرمزية لـقوانين التحكم (التي تُسمى في بعض الأحيان سياسات في مجتمع التعلم الآلي) كمساحة لوحدات التحكم المرشحة المحتملة. ويمكن أيضًا استخدام الشبكات العصبية الاصطناعية لـتعلم الروبوتات خارج نطاق الروبوتات التطورية. ويمكن استخدام أشكال أخرى من التعلم التعزيزي، على نحو خاص، لتعلم وحدات التحكم الخاصة بالروبوتات.

ويرتبط علم الروبوتات النمائي بعلم الروبوتات التطوري، ولكنه يختلف عنه. فعلم الروبوتات التطوري يستخدم فئات من الروبوتات التي تتطور بمرور الوقت، في حين أن علم الروبوتات النمائي يهتم بكيفية نماء نظام التحكم الخاص بروبوت فردي من خلال التجربة بمرور الوقت.

معلومات تاريخية

تم وضع أساس علم الروبوتات التطوري بالعمل في مجلس البحوث الوطني في روما في تسعينيات القرن الماضي، غير أن الفكرة الأولية لترميز نظام التحكم الآلي الخاص بالروبوت وتحويله إلى جينوم وتحسين التطور الاصطناعي له تعود إلى أواخر الثمانينيات.

وفي عامي 1992 و1993 أعلنت مجموعتان بحثيتان، الأولى تضم فلوريانو (Floreano) وموندادا (Mondada) في المعهد الفيدرالي السويسري (EPFL) الموجود في لوزان والمجموعة الثانية تضم كليف (Cliff) وهارفي (Harvey) وهاسبندز (Husbands) من كلية العلوم المعرفية والحسابية (COGS) في جامعة ساسكس عن نتائج واعدة من تجارب تم إجراؤها على تطور الروبوتات المستقلة.[1] وأثار نجاح هذا البحث المبكر موجة من النشاط في المختبرات في جميع أنحاء العالم في محاولة للاستفادة من إمكانات هذا النهج.

وفي الآونة الأخيرة، حولت الصعوبة في "رفع مستوى" تعقيد مهام الروبوتات الاهتمام إلى حد ما إلى الهدف النظري للمجال بدلاً من الهدف الهندسي.

الأهداف

هناك العديد من الأهداف المختلفة لعلم الروبوتات التطوري، وغالبًا ما تكون هذه الأهداف ضرورية في نفس الوقت. ومن بين هذه الأهداف إنشاء وحدات تحكم مفيدة لمهام الروبوت في العالم الحقيقي واستكشاف تعقيدات نظرية النشوء والارتقاء (مثل تأثير بالدوين) واستنساخ الظواهر النفسية والتعرف على الشبكات العصبية البيولوجية من خلال دراسة الشبكات الاصطناعية. ويتطلب خلق وحدات تحكم عن طريق التطور الصناعي عددًا كبيرًا من عمليات التقييم لمجموعة كبيرة. وهذه العملية تستغرق وقتًا كبيرًا، وهو ما يُعد أحد الأسباب وراء إجراء تقييم وحدات التحكم في البرمجيات في كثير من الأحيان. وكذلك، قد تبدي وحدات التحكم العشوائية الأولية سلوكًا من المحتمل أن يكون ضارًا مثل الارتطام بالجدران بشكل متكرر، الأمر الذي قد يؤدي إلى تلف الروبوت. ويُعتبر نقل وحدات التحكم المشاركة في محاكاة الروبوتات الفيزيائية أمرًا في غاية الصعوبة وتحديًا كبيرًا في استخدام نهج الروبوتات التطورية. ويرجع السبب في ذلك إلى أن عملية النشوء تكون حرة لاستكشاف جميع الاحتمالات للحصول على لياقة عالية، بما في ذلك أي حالات عدم دقة في المحاكاة. وهذه الحاجة إلى عدد كبير من التقييمات، التي تتطلب عمليات محاكاة حاسوبية سريعة ودقيقة في نفس الوقت، هي واحدة من العوامل المقيدة لنهج الروبوتات التطورية.

وفي حالات نادرة، يمكن استخدام الحوسبة التطورية لتصميم البنية الفيزيائية للروبوت، بالإضافة إلى وحدة التحكم. ومن أبرز الأمثلة على ذلك استعراض كارل سيمس (Karl Sims) الخاص بشركة ثينكينغ ماشينز كوربوريشن (Thinking Machines Corporation).

الدافع وراء علم الروبوتات التطوري

تتطلب الكثير من خوارزميات التعلم الآلي شائعة الاستخدام مجموعة من الأمثلة التدريبية التي تتكون من مدخلات افتراضية وإجابة مطلوبة. وفي العديد من تطبيقات تعلم الروبوتات تكون الإجابة المطلوبة هي إجراء يقوم به الروبوت. وعادة ما تكون هذه الإجراءات غير معروفة بشكل واضح مسبقًا، حيث إن الروبوت يستطيع، في أفضل الأحوال، تلقي قيمة تشير إلى نجاح أو فشل إجراء ما قام به. والخوارزميات التطورية هي الحلول الطبيعية لهذا النوع من إطار المشكلة، حيث يحتاج عامل اللياقة فقط إلى ترميز نجاح أو فشل وحدة تحكم معينة، بدلاً من الإجراءات الدقيقة التي يتعين على وحدة تحكم القيام بها. ومن بدائل استخدام الحوسبة التطورية في عملية تعلم الروبوتات هي استخدام أشكال أخرى من التعلم التعزيزي، مثل التعلم بالدوال، لتعلم أي لياقة خاصة بأي إجراء معين، ثم استخدام قيم اللياقة المتوقعة بشكل غير مباشر لإنشاء وحدة تحكم.

المؤتمرات والمعاهد

المؤتمرات الرئيسية

  • علم الروبوتات التطوري
  • مؤتمر الحسابات الجينية والتطورية (GECCO)
  • مؤتمر جمعية مهندسي الكهرباء والإلكترونيات حول الحوسبة التطورية
  • المؤتمر الأوروبي حول الحياة الاصطناعية
  • الحياة الاصطناعية
روبوت أوكتافيا التفاعلي الخاص بمركز البحرية للبحوث التطبيقية في الذكاء الاصطناعي

المعاهد الأكاديمية والباحثون

مقالات ذات صلة

  • الذكاء الاصطناعي
  • السبرانية
  • علم الروبوتات المعرفية
  • الحوسبة التطورية
  • عالم روبوتات
  • الروبوتيات
  • مجوعة الروبوت
  • الداروينية العالمية

المراجع

  1. http://www.sussex.ac.uk/Users/philh/pubs/evolvingVisguided.pdf D.Cliff, I.Harvey, & P.Husbands, (1992) “Evolving Visually Guided Robots”; conference paper presented at SAB92, Hawaii, 1992.
  • Evolutionary Robotics by Stefano Nolfi and Dario Floreano.
  • Advances in the Evolutionary Synthesis of Intelligent Agents by Mukesh Patel, Vasant Honavar and Karthik Balakrishnan (Ed). Cambridge, MA: MIT Press. 2001.

وصلات خارجية

موسوعات ذات صلة :