ニューロモデルに進化計算を用いた高速学習の自律型移動ロボットの開発

点击翻译按钮获取中文摘要

ロボットのタスク学習には,人工ニューラルネットワーク(Artificial Neural Networks: ANN)であるバックプロパゲーション(Back Propagation: BP)やリカレント・ネットワーク(Recurrent Network: RN)が採用されている.しかしながら,従来のANNではトポロジー構造の果たす役割については着目していない.近年になってDuncan J. Wattsは,体長僅か1ミリメートルで302の神経網をもつ線虫のC.エレガンス(Caenorhabditis elegans)についても,神経系が高度にクラスター化されたスモールワールドネットワーク(Small World Network: SWN)構造が存在することが報告されている.これは生物の進化過程の結果として,自然界の小さな神経系ネットワークにもSWNが存在し,タスク達成に機能することを示している.そこで,本研究ではβモデルに基づくSWNを含めた各種トポロジーのANNを作成し,それらにBPとRNを加えた複数のネットワーク特性を比較し,かつ進化計算に基づく学習方法を開発する.次いで,提案した学習方法をロボットの自律型移動ロボットのゴール到達問題に適用し,それらの学習方法を確立するとともに,タスク達成のための高速学習の自律型移動ロボットを開発した.