3262347149

2 Badania naukowe

interfejsy wielomodalne, roboty raobilne/autonomiczne). W ramach prowadzonych prac rozważono między innymi wariant sekwencyjny współdzielenia wiedzy (system uczący się zadania X po zakończeniu nauki przekazuje część pozyskanej wiedzy systemowi uczącemu się zadania Y) oraz wariant równoległy (systemy uczące się równocześnie dwóch zadań X i Y współdzielą część wiedzy).

Platformą do realizacji tych podejść są algorytmy ewolucyjne, które, m.in. dzięki swemu populacyjnemu i iteracyjnemu charakterowi, bardzo dobrze nadają się do wymiany wiedzy pomiędzy zadaniami i adaptacji do zadań zmiennych w czasie. W szczególności, bogate spektrum dostępnych reprezentacji genetycznych (w szczególności programowanie genetyczne) umożliwia dogodne reprezentowanie hipotez w algorytmie indukcji i transfer wiedzy pomiędzy nimi.

Badania nad systemami uczącymi się z wykorzystaniem algorytmów ewolucyjnych dotyczą również problemów sterowania, w których celem jest uzyskanie takiego sterowania robotem, by jego zachowanie doprowadziło do wykonania określonego zadania lub spełniało narzucone warunki. Przykładem takich zadań jest efektywne poruszanie się w środowisku, śledzenie celu, utrzymanie równowagi, nawigacja na podstawie sygnału wizyjnego itp. Ocena ewolucyjnie wyuczonych układów sterujących odbywa się zarówno w środowisku rzeczywistym, jak i wirtualnym. Środowiska wirtualne (symulatory) pozwalają na bezpieczne, tanie i wielokrotne ocenienie układu sterowania, który podlega ewolucji, zatem nadają się do wykorzystania w algorytmach ewolucyjnych. Z kolei środowisko rzeczywiste służy do ostatecznej weryfikacji rozwiązań, które były oceniane na drodze symulacji i istniały jedynie w środowisku wirtualnym.

Ponieważ w praktyce konstrukcja robota pełni równie ważną rolę jak jego układ sterujący (sieć neuronowa czy regułowy system rozmyty), również i ona jest równocześnie przedmiotem ewolucyjnej optymalizacji. Eksperymenty dotyczą zatem ewolucyjnego uczenia systemu sterującego i zarazem dopasowywania do niego odpowiedniej konstrukcji. Takie podejście staje się ostatnio popularne i możliwe do realizacji. Szczególną rolę grają tu odpowiednio zaprojektowane reprezentacje genetyczne i operatory genetyczne, które służą do modyfikowania rozwiązań podlegających zmianom w algorytmie ewolucyjnym. Dlatego też są one istotnym elementem prowadzonych badań.

Wiele zadań uczenia dotyczących rozpoznawania obrazów i sztucznego życia to zadania trudne, w których udział tzw. klasy mniejszościowej w zbiorze uczącym jest nieznaczny. W związku z tym, elementem uzupełniającym prowadzonych badań są prace nad konstruowaniem systemów klasyfikujących, ukierunkowanych na poprawę rozpoznawania tej klasy przy zachowaniu akceptowalnej skuteczności rozpoznawania pozostałych klas.

20