MEJORAMIENTO EN APRENDIZAJE DE MOVIMIENTOS EN ROBOTS A PARTIR DE UNA RED t-HYPERNEAT
Abstract
Robots de extremidades móviles son recurrentes en temas de investigaciòn relacionados a la robótica bio-inspirada e inteligencia artificial, teniendo como objetivo final poder otorgar autonomía en sus movimientos y acciones. En este proyecto de titulación se ha investigado sobre m´etodos de neuroevolución aplicados para la generación de caminatas en robots con extremidades móviles, específicamente el algoritmo Hipercubo basado en el Aumento de Topologías (HyperNEAT), que permite la evolución de redes de gran escala usando regularidades geométricas para un problema descrito haciendo uso del algoritmo Neuroevolución basado en el Aumento de Topologías (NEAT). A partir de HyperNEAT se desarrolló t-HyperNEAT que agrega retardos de tiempo en la excitación de las señales en el substrato de la red. Ambos algoritmos han sido utilizado para la generaci´on de caminatas en robots móviles, viendo en -HyperNEAT movimientos más naturales y complejos. En base a los resultadosconocidos en trabajos previos esta memoria propone la implementaci´on del método de Evolución de substrato en una red HyperNEAT (ES-HyperNEAT) que permite la generación de substratos que no posean topologías fijas a partir de una red NEAT. El propósito de este algoritmo pretende buscar estructuras de red ideales para la realización de caminatas en robots con extremidades móviles y evitar la información redundante en un substrato con nodos posicionados de forma manual. Finalmente los resultados de los entrenamientos utilizando ES-HyperNEAT demuestran una gran diversidad en los movimientos aprendidos por el robot alcanzando la solución al problema en menor cantidad de iteraciones que en su predecesor. Mobile limb robots are recurrent in research topics related to bio-inspired roboticsand artificial intelligence, with the ultimate goal of granting autonomy in theirmovements and actions. In this degree project we have investigated neuroevolutionmethods applied to the gait generation in robots with mobile limbs, specifically the algorithmHypercube based NEAT (HyperNEAT), which allows the evolution of largescalenetworks using geometric regularities for a problem described using the Neuroevolutionalgorithm based on the Augmenting Topologies (NEAT). As HyperNEAT,-HyperNEAT was developed to add time delays in the excitation of the signals in thenetwork substrate. Both algorithms have been used for the generation of gaits in mobilerobots, seeing in -HyperNEAT more natural and complex movements. Based onthe results known in previous works, this project proposes the implementation of theEvolvable substrate method in a HyperNEAT network (ES-HyperNEAT) that allowsthe generation of substrates that do not have fixed topologies from a NEAT network.The purpose of this algorithm is to search for ideal network structures for gait learningin robots with moving limbs and avoid redundant information in a substrate withmanually positioned nodes. Finally the results of the training using ES-HyperNEATdemonstrate a great diversity in the movements learned by the robot reaching the solutionto the problem in fewer iterations than in its predecessor.