受生物启发的机器人现在可以学习在旅途中蜂拥而至

得益于布里斯托大学和西英格兰大学(UWE)的研究，新一代可以自动在野外学习和发展新行为的群居机器人更加近了一步。

该团队使用人工进化技术使机器人能够自动学习人类可以理解的群体行为。今天发表在先进智能系统上的这项新进展可以为环境监测，灾难恢复，基础设施维护，物流和农业创造新的机器人可能性。

到目前为止，人工进化通常是在群体外部的计算机上运行的，然后将最佳策略复制到机器人上。但是，这种方法很局限，因为它需要外部基础设施和实验室环境。

通过使用定制的具有高处理能力的机器人集群，布里斯托尔团队能够发现哪些规则引起了期望的集群行为。这可能会导致机器人群体能够在野外连续不断地独立适应，从而满足当前的环境和任务。通过使进化后的控制器对人类易于理解，还可以查询，解释和改进控制器。

布里斯托大学机器人实验室的主要作者西蒙·琼斯(Simon Jones)说：“人类可理解的控制器使我们能够分析和验证自动设计，以确保在实际应用中部署的安全性。”

在萨宾·豪特(Sabine Hauert)博士的带领下，工程师们利用了高性能移动计算的最新进展，构建了一大批受自然界启发的机器人。他们的“ Teraflop Swarm”能够完全在群集内运行计算密集型自动设计过程，从而摆脱了离线资源的束缚，该群集仅在15分钟内即可达到较高的性能水平，比以前实现的性能要快得多进化方法，并且不依赖外部基础架构。

工程数学系和布里斯托尔机器人实验室(BRL)的机器人技术高级讲师Hauert博士说：“这是朝着自动寻找在野外自动寻找合适群体策略的机器人群体迈出的第一步。”

“下一步将使这些机器人群脱离实验室，并在实际应用中演示我们提出的方法。”

通过释放大量的外部基础设施，并表明可以分析，理解和解释生成的控制器，研究人员将朝着在实际应用中自动设计群体控制器的方向发展。

将来，从头开始，机器人群可以直接在原地发现合适的策略，并在群体任务或环境发生变化时更改策略。

UWE BRL和科学传播部的Alan Winfield教授说：“在许多现代AI系统中，尤其是那些采用深度学习的系统中，几乎不可能理解为什么系统做出特定决定。这种缺乏透明度的现象可能是真实的。如果系统做出错误的决定并造成损害，就会出现问题。本文描述的系统的一个重要优点是它是透明的：其决策过程是人类可以理解的。”