Nederlandse onderzoekers ontwikkelen AI voor zelf-evoluerende zachte robots

Graph Neural Networks als oplossing

De onderzoekers hebben een innovatieve oplossing ontwikkeld waarbij elke robot wordt gerepresenteerd als een grafiek. Hun systeem gebruikt een Graph Attention Network (GAT) dat de eigenschappen van elk onderdeel van de robot analyseert. Deze informatie wordt vervolgens door een multilayer perceptron (MLP) verwerkt om besturingsopdrachten of waarderingen te genereren.

Het slimme van deze aanpak zit in hoe het systeem omgaat met evolutie. Wanneer een robot evolueert en van vorm verandert, volgt de kennisoverdracht een 'topologie-consistente mapping':

• Gedeelde GAT-lagen worden hergebruikt
• MLP-verborgen lagen worden intact overgedragen
• Overeenkomende actuator-uitgangen worden gekopieerd
• Nieuwe actuatoren worden willekeurig geïnitialiseerd en vervolgens verfijnd

Superieure resultaten in benchmarktests

In vergelijkende tests presteerde de GAT-gebaseerde aanpak significant beter dan traditionele MLP-alleen methoden. Het systeem behaalde niet alleen hogere eindprestaties, maar toonde ook sterkere aanpassingsvermogen aan morfologische variaties.

Deze resultaten suggereren dat graph-gestructureerde beleidslijnen een effectievere interface bieden tussen evoluerende lichaamsvorm en besturing voor embodied intelligence.

Implicaties voor de toekomst van robotica

Deze doorbraak opent nieuwe mogelijkheden voor de ontwikkeling van adaptieve robotsystemen. In plaats van robots te ontwerpen met vaste vormen en daaraan aangepaste besturingssystemen, kunnen toekomstige robots zich continu aanpassen aan nieuwe uitdagingen door zowel hun fysieke vorm als hun 'denkwijze' te evolueren.

Dit onderzoek, gepubliceerd op arXiv, vertegenwoordigt een belangrijke stap naar meer veelzijdige en intelligente robotsystemen die beter kunnen inspelen op onvoorspelbare omgevingen en taken.