Diseños Generativos de Robots Eficientes y Diversos mediante Evolución

Título

Diseños Generativos de Robots Eficientes y Diversos mediante Evolución y Motivación Intrínseca

Abstract

Los métodos para el diseño generativo de configuraciones físicas de robots pueden encontrar automáticamente soluciones óptimas e innovadoras para tareas desafiantes en entornos complejos. El vasto espacio de búsqueda incluye tanto el espacio de diseño físico como el espacio de parámetros del controlador, lo que lo convierte en un problema desafiante en el aprendizaje automático y la optimización en general. Los algoritmos evolutivos (EAs) han mostrado resultados prometedores en la generación de diseños de robots mediante optimización sin gradientes. La morfo-evolución con aprendizaje (MEL) utiliza EAs para generar simultáneamente diseños de robots y aprender los parámetros óptimos de los controladores. Dos problemas principales impiden que MEL escale a tareas de mayor complejidad: el costo computacional y la convergencia prematura hacia diseños subóptimos. Para abordar estos problemas, proponemos combinar la morfo-evolución con motivaciones intrínsecas. El comportamiento intrínsecamente motivado surge de la corporeidad y de reglas de aprendizaje simples sin guía externa. Utilizamos el controlador homeokinetic que genera comportamiento exploratorio en pocos segundos con un conocimiento reducido del diseño del robot. Homeokinesis reemplaza fases de aprendizaje costosas, reduciendo el tiempo computacional y favoreciendo la diversidad, lo que previene la convergencia prematura. Comparamos nuestro enfoque con los métodos MEL actuales en varias tareas posteriores. Los diseños generados obtienen puntuaciones más altas en todas las tareas, son más diversos y se generan más rápidamente en comparación con la morfo-evolución con parámetros estáticos. Este trabajo fue presentado en la conferencia ICRA de 2025 realizada en Atlanta, EE.UU.

Short Bio

El Dr. Simón C. Smith obtuvo su doctorado en la Universidad de Edimburgo en 2015 y actualmente es Profesor de Robótica y Automatización en la Universidad Napier de Edimburgo (ENU). Ha trabajado en proyectos internacionales financiados por la Comunidad Europea, la agencia DARPA de Estados Unidos y varios proyectos del UKRI EPSRC.Su investigación se centra en el aprendizaje robótico para el control robusto y adaptativo. Ha publicado varios artículos revisados por pares sobre control robusto para robots autónomos, inteligencia artificial explicable para vehículos autónomos en entornos climáticos extremos y recuperación de comportamiento en robots dañados.Las técnicas que utiliza en su investigación científica en inteligencia artificial incluyen aprendizaje automático, aprendizaje profundo, aprendizaje por refuerzo y computación evolutiva.