進化計算を用いた人工ニューラルネットワークの動的学習問題における汎化能力

コンピュータ上に仮想的なロボットをモデル化し, 進化的人工ニューラルネットワーク(Evolving artificial neural network, EANN)を用い, 与えられた光源, あるいは動き回る標的へ近づく追従行動を学習させる. 本年度の研究においては, 仮想ロボットが群で行動する状況, および制御器の組み合わせる方法について研究を進めた.群行動を対象とした学習では, 同種の複数個体からなる2群に捕獲行動, および逃走行動をそれぞれ学習させた. 捕獲行動, 逃走行動のいずれも, 相手の群の行動規則が固定されている場合には単純な規則に収束した. 一方, 2群の行動それぞれが交互に共進化する状況においては, 互いの行動のダイナミクスが緩やかに変化し, 一定の規則には収束しない結果となった.制御器を組み合わせる方法としては, 個別に学習させたANNを組み合わせ, ANNによって切り替えて用いる複合的人工ニューラルネットワーク(Composite ANN, CANN)を提案した. 仮想的な羽ばたき飛翔ロボットの光源追従, および倒立振子の振り上げを対象とした数値計算実験より, 同一の学習時間においてCANNが一般的なANNよりも良い評価を得ることを示した.個体間で相互作用を行う場合や複数の行動を組み合わせる方法論は, 本研究が目的とする汎化能力と密接な関連があると推測される. これらをより詳細に分析し, 汎化能力との関係性を明らかにするとともに, 高い評価と汎化能力の両立を目指すことが今後の課題である.

コンピュータ上に仮想的なロボットをモデル化し, 進化的人工ニューラルネットワーク(Evolving artificial neural network, EANN)を用い, 与えられた光源, あるいは動き回る標的へ近づく追従行動を学習させる. 本年度の研究においては, 仮想ロボットが群で行動する状況, および制御器の組み合わせる方法について研究を進めた.群行動を対象とした学習では, 同種の複数個体からなる2群に捕獲行動, および逃走行動をそれぞれ学習させた. 捕獲行動, 逃走行動のいずれも, 相手の群の行動規則が固定されている場合には単純な規則に収束した. 一方, 2群の行動それぞれが交互に共進化する状況においては, 互いの行動のダイナミクスが緩やかに変化し, 一定の規則には収束しない結果となった.制御器を組み合わせる方法としては, 個別に学習させたANNを組み合わせ, ANNによって切り替えて用いる複合的人工ニューラルネットワーク(Composite ANN, CANN)を提案した. 仮想的な羽ばたき飛翔ロボットの光源追従, および倒立振子の振り上げを対象とした数値計算実験より, 同一の学習時間においてCANNが一般的なANNよりも良い評価を得ることを示した.個体間で相互作用を行う場合や複数の行動を組み合わせる方法論は, 本研究が目的とする汎化能力と密接な関連があると推測される. これらをより詳細に分析し, 汎化能力との関係性を明らかにするとともに, 高い評価と汎化能力の両立を目指すことが今後の課題である.