机器人表观遗传学为复杂的机器人进化增加复杂性

进化机器人技术是一个新的令人兴奋的研究领域，它利用达尔文进化原理自动开发自主机器人。在《机器人与人工智能前沿》上发表的一篇新研究文章中，研究人员通过首次证明与生物进化一样，具体体现的机器人进化也受到表观遗传因素的影响，使该领域变得更加复杂。

在进化机器人技术中，创建了一个人工“基因库”，该基因库产生了每个对机器人控制系统进行编码的基因组。然后允许每个机器人根据其“一般地”指定的控制器来执行动作和执行任务，并且根据机器人执行某项任务的能力来对机器人的适应性进行排名。然后允许机器人通过相互交换遗传物质进行繁殖，这与生物性繁殖类似。然而，生命有机体的基因组也受到发育的影响，这些事件在其一生中会导致表观遗传学变化。在生物学中，进化与发展之间的这种相互作用被称为evo-devo，它强调了非遗传因素对生物体表型的重要性。

“对于机器人专家来说，evo-devo面临的挑战是创建一个包含三个时间尺度和每个生命周期固有过程的物理体现系统：行为，发展和进化。由于构建和发展物理机器人的复杂性，这是一个挑战。作者和共同项目负责人Jake Brawer先生和Aaron Hill先生说，在寻求“事物进化”方面的艰巨挑战。“作为朝着这一目标迈出的第一步，我们在本文中创建了一个物理体现的系统，使我们能够系统地研究发展和进化过程之间的相互作用。”

在他们的研究中，瓦萨学院研究团队希望创建一个系统，该系统可用于研究遗传(进化)和表观遗传(发育)因素在机器人进化中如何相互作用，以及表观遗传因素如何影响机器人的进化。尽管先前的研究集中在物理机器人上进化的影响，但这是研究人员首次在这种类型的实验中考虑到表观遗传方面。“在人工神经网络的进化中，一种明确的evo-devo方法已被证明具有无价的价值。发展是一种新型的进化驱动力-除了突变，重组和选择的遗传因素-促进了内含因子的可进化性，” Brawer和爬坡道。” 我们注意到，进化机器人技术所缺少的不是开发本身，而是物理上体现的发展。我们通过检查表观遗传和遗传因素在物理体现和模拟机器人的进化过程中的相互作用，迈出了将两者结合的第一步。”

在该实验中，通过单个机器人在两个任务中的执行情况来衡量其适应性：聚光(趋光)和避障，并使用随机交配算法来确定应结合哪些亲本“基因组”以产生下一个一代机器人。在这里，基因由二进制代码组成，该二进制代码允许机器人硬件进行不同的可能接线。机器人的表型(基因组的物理表达)在每一代中都通过根据新的遗传设置改变接线方式进行了修改。重复进行直到创建了10代机器人并按适应度对其进行排名。为了补充物理机器人的实验，该小组还创建并发展了模拟机器人，

实验一直进行到机器人失去所有机动性为止，因为交配算法允许低适应性个体留在基因库中并繁殖。结果表明，具有表观遗传因素的机器人种群与未考虑发育的种群进化不同。尽管机器人没有发展出更多的光捕获技能，但该团队仍对结果充满热情，因为此初步研究的目的首先是要证明在机器人中包括表观遗传因素的重要性。进化，并开发出使之成为可能的概念和物理方法。“重要的是要注意，我们的目标不是展示自身的适应性进化，而是检验以下假设：表观遗传因素可以改变一群物理机器人的进化动力学。结果确实表明，包括EO正在研究可演化性，” Brawer和Hill说。“据我们所知，我们的工作代表了在物理机器人的进化中使用的第一个物理表观遗传因素。”