受生物啟發的機器人現在可以學習在旅途中蜂擁而至

得益于布里斯托大學和西英格蘭大學(UWE)的研究，新一代可以自動在野外學習和發展新行為的群居機器人更加近了一步。

該團隊使用人工進化技術使機器人能夠自動學習人類可以理解的群體行為。今天發表在先進智能系統上的這項新進展可以為環境監測，災難恢復，基礎設施維護，物流和農業創造新的機器人可能性。

到目前為止，人工進化通常是在群體外部的計算機上運行的，然后將最佳策略復制到機器人上。但是，這種方法很局限，因為它需要外部基礎設施和實驗室環境。

通過使用定制的具有高處理能力的機器人集群，布里斯托爾團隊能夠發現哪些規則引起了期望的集群行為。這可能會導致機器人群體能夠在野外連續不斷地獨立適應，從而滿足當前的環境和任務。通過使進化后的控制器對人類易于理解，還可以查詢，解釋和改進控制器。

布里斯托大學機器人實驗室的主要作者西蒙·瓊斯(Simon Jones)說：“人類可理解的控制器使我們能夠分析和驗證自動設計，以確保在實際應用中部署的安全性。”

在薩賓·豪特(Sabine Hauert)博士的帶領下，工程師們利用了高性能移動計算的最新進展，構建了一大批受自然界啟發的機器人。他們的“ Teraflop Swarm”能夠完全在群集內運行計算密集型自動設計過程，從而擺脫了離線資源的束縛，該群集僅在15分鐘內即可達到較高的性能水平，比以前實現的性能要快得多進化方法，并且不依賴外部基礎架構。

工程數學系和布里斯托爾機器人實驗室(BRL)的機器人技術高級講師Hauert博士說：“這是朝著自動尋找在野外自動尋找合適群體策略的機器人群體邁出的第一步。”

“下一步將使這些機器人群脫離實驗室，并在實際應用中演示我們提出的方法。”

通過釋放大量的外部基礎設施，并表明可以分析，理解和解釋生成的控制器，研究人員將朝著在實際應用中自動設計群體控制器的方向發展。

將來，從頭開始，機器人群可以直接在原地發現合適的策略，并在群體任務或環境發生變化時更改策略。

UWE BRL和科學傳播部的Alan Winfield教授說：“在許多現代AI系統中，尤其是那些采用深度學習的系統中，幾乎不可能理解為什么系統做出特定決定。這種缺乏透明度的現象可能是真實的。如果系統做出錯誤的決定并造成損害，就會出現問題。本文描述的系統的一個重要優點是它是透明的：其決策過程是人類可以理解的。”