機器人表觀遺傳學為復雜的機器人進化增加復雜性

進化機器人技術是一個新的令人興奮的研究領域，它利用達爾文進化原理自動開發自主機器人。在《機器人與人工智能前沿》上發表的一篇新研究文章中，研究人員通過首次證明與生物進化一樣，具體體現的機器人進化也受到表觀遺傳因素的影響，使該領域變得更加復雜。

在進化機器人技術中，創建了一個人工“基因庫”，該基因庫產生了每個對機器人控制系統進行編碼的基因組。然后允許每個機器人根據其“一般地”指定的控制器來執行動作和執行任務，并且根據機器人執行某項任務的能力來對機器人的適應性進行排名。然后允許機器人通過相互交換遺傳物質進行繁殖，這與生物性繁殖類似。然而，生命有機體的基因組也受到發育的影響，這些事件在其一生中會導致表觀遺傳學變化。在生物學中，進化與發展之間的這種相互作用被稱為evo-devo，它強調了非遺傳因素對生物體表型的重要性。

“對于機器人專家來說，evo-devo面臨的挑戰是創建一個包含三個時間尺度和每個生命周期固有過程的物理體現系統：行為，發展和進化。由于構建和發展物理機器人的復雜性，這是一個挑戰。作者和共同項目負責人Jake Brawer先生和Aaron Hill先生說，在尋求“事物進化”方面的艱巨挑戰。“作為朝著這一目標邁出的第一步，我們在本文中創建了一個物理體現的系統，使我們能夠系統地研究發展和進化過程之間的相互作用。”

在他們的研究中，瓦薩學院研究團隊希望創建一個系統，該系統可用于研究遺傳(進化)和表觀遺傳(發育)因素在機器人進化中如何相互作用，以及表觀遺傳因素如何影響機器人的進化。盡管先前的研究集中在物理機器人上進化的影響，但這是研究人員首次在這種類型的實驗中考慮到表觀遺傳方面。“在人工神經網絡的進化中，一種明確的evo-devo方法已被證明具有無價的價值。發展是一種新型的進化驅動力-除了突變，重組和選擇的遺傳因素-促進了內含因子的可進化性，” Brawer和爬坡道。” 我們注意到，進化機器人技術所缺少的不是開發本身，而是物理上體現的發展。我們通過檢查表觀遺傳和遺傳因素在物理體現和模擬機器人的進化過程中的相互作用，邁出了將兩者結合的第一步。”

在該實驗中，通過單個機器人在兩個任務中的執行情況來衡量其適應性：聚光(趨光)和避障，并使用隨機交配算法來確定應結合哪些親本“基因組”以產生下一個一代機器人。在這里，基因由二進制代碼組成，該二進制代碼允許機器人硬件進行不同的可能接線。機器人的表型(基因組的物理表達)在每一代中都通過根據新的遺傳設置改變接線方式進行了修改。重復進行直到創建了10代機器人并按適應度對其進行排名。為了補充物理機器人的實驗，該小組還創建并發展了模擬機器人，

實驗一直進行到機器人失去所有機動性為止，因為交配算法允許低適應性個體留在基因庫中并繁殖。結果表明，具有表觀遺傳因素的機器人種群與未考慮發育的種群進化不同。盡管機器人沒有發展出更多的光捕獲技能，但該團隊仍對結果充滿熱情，因為此初步研究的目的首先是要證明在機器人中包括表觀遺傳因素的重要性。進化，并開發出使之成為可能的概念和物理方法。“重要的是要注意，我們的目標不是展示自身的適應性進化，而是檢驗以下假設：表觀遺傳因素可以改變一群物理機器人的進化動力學。結果確實表明，包括EO正在研究可演化性，” Brawer和Hill說。“據我們所知，我們的工作代表了在物理機器人的進化中使用的第一個物理表觀遺傳因素。”