http://www.youtube.com/watch?v=ckwsvmf3slU 从事机器人研究的人们都不愿强调我们工作中的一个现实：机器人并不可靠。它们会坏掉，总是如此。这适用于所有研究机器人，它们通常在你向资助机构或你想给留下深刻印象的人进行重要演示时就会出故障。我的鱼形机器人又回到车间了，因为它有几根非常僵硬且非常细的鳍条断了。工业机器人，比如你在汽车装配线上看到的那些，只能在极其可预测、结构化的环境中通过一遍又一遍地做同样的事情来做得更好。家用机器人？如果你买了Roomba，做好准备调整你的地板布局，以免它卡住。是怎么回事？世界不断地给机器人带来设计师未曾预料到的意外情况。在这种问题的创新方法中，Josh Bongard最近展示了我们如何利用进化的原理来使机器人的“神经系统”——我称之为机器人的控制器——能够抵御各种变化。这项研究使用了大量的计算机模拟时间（在单台计算机上需要 50-100 年），运行了一个可以模拟真实世界物理学对机器人影响的程序。他表明，如果我们迫使机器人的控制器在各种各样的机器人身体形状上工作，机器人就能学得更快，并且更能抵抗可能让你的家用机器人变成一堆冒烟的电机和硅的撞击。这是一个了不起的结果，它有力地说明了为什么智能（广义上指适应性地应对世界的能力）不仅仅是脑袋里的事情。这项研究是怎么做到的？每个（模拟的）机器人都有一个非常基本的身体结构（像蛇一样）、一个控制器（由一个神经网络组成，该网络随机连接且连接强度随机），以及一个光线传感器。额外的传感器报告身体各段的位置、身体的朝向，以及如果身体结构有肢体，则有用于肢体的地面接触传感器。任务是将身体移到 20 米外的光源处。模拟了大量的机器人，表现不佳的被淘汰，这是一种计算内自然选择。被淘汰的机器人被成功机器人版本取代，这些版本在进行随机调整（“突变”）后，这些改进的控制器被保留下来。这个过程重复进行，直到找到一个能够到达光源的机器人。到目前为止，身体形状没有发生变化。随着第一个成功的机器人-控制器组合被找到（一个能到达光源的），身体形状从蛇形变为类似蝾螈的形状，短腿从身体上伸出来。（所有身体形状的变化都是预先编程好的，而不是进化的。）寻找成功控制器-机器人组合的进化过程重复进行，通过对更好的控制器进行随机改变，直到再次找到一个能够用爪子爬行到光源的控制器-机器人组合。然后，从侧面伸出的短腿慢慢变长，并且与其从侧面伸出相比，它们逐渐变得更加垂直。随着身体形状的每一次变化，寻找控制器的进化过程都会重复。最终，模拟机器人进化成某种看起来像四足动物的样子。这都是第一轮进化的结果。在第二轮中，第一轮中表现最好的控制器被复制到与第一轮开始时相同的初始蛇形身体类型中。但是现在，身体形状的变化发生得更快，因此当机器人完成“寿命”的 2/3 时，它已经达到了最终的狗形。在第三轮中，这一切都发生在机器人寿命的 1/3 内。在第四轮中，身体形状开始时就是狗形，并且一直保持不变。因此，在两个不同的时间尺度上发生了变化：在机器人“寿命”内的变化，类似于我们从胎儿到成人的体型变化；以及通过一生发展加快的世代间的变化。短时间尺度称为“个体发育”，长时间尺度（不同轮次之间）称为“系统发育”。这项工作的突破在于，它发现这些身体形状在个体发育和系统发育时间尺度上的变化，最终找到了一个比没有身体形状变化时快得多的将身体移到光源的控制器。例如，当系统以最终身体类型——狗形——开始时，进化解决方案需要更长的时间，而不是从蛇形到蝾螈再到狗形的身体形状逐渐演变。不仅进化出了更快的控制器，而且最终解决方案在受到推拉时也更加稳健。经过 100 个 CPU 年模拟进化的复杂相互作用使得最终的进化结果难以梳理。尽管如此，有充分证据表明，形状变化机器人的学习加速的原因是，通过改变身体进化出的控制器经历了一系列“训练轮”身体形状：一个从四足身体结构和简单控制器开始的机器人会很快失败——它无法很好地控制腿部，并且会翻倒。如这些模拟所示，从地面上的滑行物体开始，不易发生此类故障。因此，并非任何形状变化序列都有效：模仿进化中看到的序列可以获得一些优势，这些优势大概是这种序列在自然界中真正发生的原因，例如更古老形态更高的机械稳定性。不太清楚的是鲁棒性增加的来源——从随机的推拉中恢复能力。Bongard 认为，与那些在没有身体形状变化的情况下进化的控制器相比，身体形状发生变化的控制器因其必须在更广泛的传感器-运动关系下工作而具有更高的鲁棒性。例如，任何对特定关系特别敏感的控制器（例如，一个报告脚部位置的传感器和一个报告脊柱位置的传感器）都会失败（从而被淘汰），因为当身体形状从蝾螈状变为狗状以及运动方式发生变化时，这些关系会系统性地改变。这意味着，如果我突然压下一条四足狗形机器人的背部，使其腿部向外张开，迫使其移动方式更像蝾螈，那么进化竞争的获胜者仍然能够工作，因为这些控制器在蝾螈状的身体和狗状的身体中都起作用。支持这一观点的是，早期的控制器，它们纯粹基于移动身体轴（“脊柱”），似乎仍然嵌入更高级的控制器中；因此，如果身体发生什么问题（例如，一条腿被撞掉），机器人可以恢复到更基本的基于脊柱的运动模式，而无需精确的肢体控制。Bongard 观察到，通过改变身体形状进化的控制器比那些没有改变身体形状进化的控制器更依赖于脊柱运动，更多地利用腿部来保持平衡。（尝试使用模拟水生机器人会很有趣，它们像许多水生动物一样具有中性浮力，因此不像 Bongard 的模拟陆地机器人那样存在“翻倒”问题）。公平地说，即使对于现有机器人，即使拥有一个在所有可想象的身体形状和环境条件下都能工作的控制器，它们仍然会不停地损坏。这是因为我们制造它们的材料不是自愈的，与动物的生物材料相反。动物也会不断地损坏（至少在微观层面），而身体则会不断修复。承受更高负荷的骨骼，例如网球运动员的拍子臂，会明显变厚。身体不仅具有自修复能力，最近对产生行走和咀嚼等基本节律的真实神经元的创新计算机模拟表明，尽管这些神经元的功能和连接存在很大差异，但它们仍然能够生成节律。这些功能对持续存在至关重要——身体的“大到不能倒”版本——它们内嵌了应对世界能够抛出的几乎所有问题的解决方案。这项新工作提供了令人着迷且有用的结果，即设计一个在模仿进化中看到的身体形状序列中起作用的控制器，可以加速学习新的运动任务，并提高对生活中不可避免的各种艰难碰撞的鲁棒性。它表明，如果没有进化和发育带来的身体形状序列，我们的神经系统可能过于精细地适应我们成年直立行走的形态。我们不会在扭伤脚踝时爬行求助，而只会无助地呼救。
广告
