複雑なタスクのためのロボット群のトレーニング

ロボットのグループを研究してると、多くの研究者は、個々のロボットが取るシンプルな行動がグループ全体の複雑な行動につながることに気づくんだ。でも、各ロボットに望ましいグループ行動を生み出すように教えるのは難しくて、まだ完全には解決されてない。

この記事では、ロボットのグループをトレーニングしてこういう複雑な行動を作り出す方法について話すよ。自然界では、動物のグループが一緒に協力して生き残ったり目標を達成したりする様子が見られる。このインスピレーションを受けて、個々のロボットの行動を進化させて望ましいグループ結果に合わせるアプローチを採用してるんだ。

#ロボットスウォームって何？

ロボットスウォームは、一緒に動作するロボットの集まりだよ。それぞれのロボットは自分で動いてるけど、近くの他のロボットとコミュニケーションは取る。だからロボットの数が増えても、中央のコントローラーに依存せずにうまく協力できるんだ。ただ、ボスロボットがいないから、ロボットたちがスムーズに協力するには、それぞれのロボットの行動を慎重に調整する必要がある。

ロボットスウォームはシンプルなルールから複雑な行動を生み出せるってことは分かってるし、多くの研究がそれを調べてきた。例えば、ある研究ではロボットがタスクを一緒に完了するために責任を動的に共有できることを示したり、別の研究ではロボットがつながっていて、より良くグループとして動くためのタイミングを調整する設定を使ったりしてる。

ここでは、ロボットの個々の行動を学ばせて、望ましいグループ行動を作ることに注目してる。自然界の進化を参考にした進化的アルゴリズムを使えば、あの問題に取り組めると思ってるんだ。

#進化的アルゴリズム

進化的アルゴリズムは自然選択の原則に従う方法だよ。これらは、小さな変化をグループの解に繰り返し加えて、それらがどれくらい良いかを評価していくんだ。重要なのは、これらの方法は解がどんな風に見えるべきかや、成功をどう測るかについて特に何も仮定しないところ。

ここでは、ロボットの行動をさまざまな入力を取り入れながら特定の出力を作るように発展させたいと思ってる。神経ネットワークを進化させる神経進化っていうタイプの進化的アルゴリズムを使うよ。通常の神経進化の方法では、神経ネットワークの構造は最初に固定されていて接続の重みだけが変わるんだけど、NEAT（神経進化による拡張トポロジー）っていう手法を使うと、神経ネットワーク自体の構造も修正できるんだ。これを使えば、基本的なネットワークからスタートして、必要に応じてより複雑に成長できる。

俺たちは、スウォーム内の全ロボットが同じ神経ネットワークを使う設定を提案するよ。シミュレーションを実行した後、望ましいグループ行動をどれだけ示したかに基づいてパフォーマンスを測る。この測定結果が、時間が経つにつれて神経ネットワークを改善するためのスコアになるんだ。

#エマージェント行動の説明

エマージェント行動は、個々のレベルのシンプルなルールがグループレベルでより複雑なパターンを生み出すときに見られるものなんだ。例えば、火アリの一部は一緒に働いて浮き輪を作り、洪水を生き延びることができる。各アリは近くのアリを掴んで、一緒に浮き輪を作るんだ。

別の例では、特定の種類の芋虫がローリングスウォームを形成して、ただ直線で歩くよりも速く移動できるようになることもあるよ。

ロボットスウォームでも似たような行動が研究されていて、研究者たちはロボットが個々のルールにしたがって効果的なグループアクションを生み出せる様子を観察してるんだ。

#実験の設定

俺たちの方法をテストするために、ロボットプラットフォームのシミュレーションを使った実験を行ったよ。ロボットが協力して成功する必要がある異なるタスクを作成したんだ。

#タスク1: エリアカバレッジ

このタスクでは、捜索救助の状況をシミュレートするよ。ロボットは空の四角いアリーナにランダムに配置される。目標は、エリア全体に広がること。ロボットたちがどれだけうまく分散したかを、配置エントロピーっていう数学の概念を使って測るんだ。

GT-MABロボットの場合、20エージェントを使って、60秒間にどれだけ散らばるかをチェックする。さらに、ロボットが最も近い隣から離れて移動する行動も設計して、これが均一に分散するのに役立つと期待してるよ。

Anki Vectorロボットの場合は、10エージェントを使って似たような設定を調整して、ロボットが離れるだけでなく、周囲をうまく navigte する必要もあるようにしてる。

#タスク2: 壁登り

このタスクでは、ロボットが壁を登れるかどうかを見てみたい。GT-MABロボットはセンサーを使って周囲を検知する。過去の研究で、衝突がロボット同士を積み上げることにつながり、それによっていつもより高く登れることが分かったんだ。

このタスクを再現するために、ロボットアリーナに壁を設置するよ。そして、何体のロボットが壁を越えられるかを測定して、クラスター行動が成功する壁登りにつながるから、それを報酬として与える。

#タスク3: ターゲットを囲む

ここでは、ロボットがアリーナ内にランダムに置かれたターゲットを囲むことが求められる。パフォーマンスは、ロボットがターゲットの周りをどれだけカバーできるかに基づくんだ。

ロボットは、これまでのタスクで使ったのと同じセンサーで周囲を感知しなければならない。ターゲットの周りで未カバーのスペースを最小化するために、うまく協力する必要がある。

#タスク4: 迷路解決

この実験では、ロボットが迷路を通り抜ける必要がある。ロボットは特定のエリアからスタートし、各ロボットが出口にどれだけ近づけるかを測定するよ。最短ルートを見つけることが目標だ。

#進化した行動と設計した行動の比較

すべてのタスクを50世代実行した後、進化によって学んだ行動と手動で設計した行動のパフォーマンスを比較するよ。

#エリアカバレッジの結果

GT-MABロボットの場合、進化した行動はアリーナ内で効果的に広がり、格子模様に似たパターンを形成した。設計された行動も成功したけど、エリアカバレッジの点では少しだけ進化した方が劣ってた。

Anki Vectorロボットは異なるアプローチを示した。進化した行動は、他から離れながらスピンする動作になり、良い分配結果を生んだ。この場合、進化した行動が設計したものを上回った。

#壁登りの結果

壁登りタスクでは、ロボットたちが一緒に群れを作り、飛び越えるのを助け合った。どちらのセンサー方法も似たようなパフォーマンスを達成した。設計されたポリシーも良い結果が出たけど、進化した戦略がよりまとまったグループを作り出すことができた。

#ターゲットを囲む結果

ターゲットを囲むタスクでは、進化した行動がロボットがターゲットの周りを渦巻くようにした。でも、設計された行動の方が良いパフォーマンスだった。これは、いくつかのタスクでは、設計された戦略が進化した方法よりも優れていることを示唆しているね。

#結論と今後の展望

要するに、進化的技術を使ったロボットスウォームのトレーニングアプローチが、手動で設計したものと同等の効果的な行動につながることを示したよ。実験は、さまざまなタスクにおける行動の進化の可能性を示している。

今後、進化した行動を実際のロボットで試してみるつもり。進化的パラメータの洗練を進め、結果をさらに向上できるか見てみるよ。最後に、もっと複雑なタスクに取り組むことで、ロボットスウォームにおける神経進化で達成できることの限界を押し広げることを目指してるんだ。