進化計算を用いたロボットの行動計画・制御の自動化

点击翻译按钮获取中文摘要

ロボットの行動計画・制御の自動化を目的として、今年度はロボットの動力学モデル学習における進化型ニューラルネットの有用性に着目して研究を進めた。新たに開発した進化型ニューラルネット手法である「CMA-TWEANN」について、国際会議GECCOの紀要論文として発表し、それを用いて動力学モデル学習を行う方法についての研究成果を進化計算シンポジウムにて発表し、IEEE Computational Intelligence Society Japan Chapterより、Young Researcher Awardを授与された。1.進化型ニューラルネットを用いた順動力学モデル学習のためには、「コンパクトなトポロジを持ち、且つ予測精度の高いネットワークモデル」を「効率的に探索」する必要がある。これらの要請に応えるべく、新たなアルゴリズムであるCMA-TWEANNを開発した。このアルゴリズムは動力学モデルの学習に有用であるだけでなく、強化学習問題における方策探索にも有効であることが示されている。2.進化型ニューラルネットを用いた順動力学モデル学習の有用性を示すために、シミュレータ上でのアルゴリズム実装と評価実験を行なった。いくつかのベンチマーク問題において、これまで知られている最良の手法(進化型ニューラルネットを使わないもの)に匹敵する性能を示すことがわかっている。さらに提案手法のスケーラビリティの高さから、より複雑な問題や実ロボットにおける学習問題に対しては、既存手法に比べて優れた性能を示すことが期待される。3.学習されたモデルと効率的な行動計画手法の統合を図るため、複数の異なる行動計画手法を実装し、比較評価を行なった。特にモンテカルロ探索木(MCTS)・微分動的計画法(DDP)・山登り法(HC)などを比較したところ、最も単純な山登り法の有用性が示された.