Síntesis de Algoritmos para Locomoción de Robots Modulares Reconfigurables

Abstract

Los Robots Modulares Reconfigurables son sistemas que han despertado un gran interés científico durante los últimos años. Ellos corresponden a un caso especial de Materia Programable, donde es posible cambiar la forma y función del sistema modular mediante, por ejemplo, la reconfiguración de sus partes.

Los sistemas robóticos modulares están constituidos por diversas unidades capaces de obtener información autónomamente, procesándola de forma distribuida o centralizada. Algunas de las interrogantes fundamentales de esta área de investigación son cómo distribuir la información y toma de decisiones entre los distintos módulos o cómo contribuir, mediante procesamiento y actuación local, al comportamiento global del sistema robótico; entre otras.

Si bien otros investigadores han desarrollado estrategias de control para generar comportamientos simples (locomoción unidireccional, formación de geometrías simples, auto reparación), no existen en la literatura métodos que permitan la generación automática de dichas reglas.

Para esto, se desarrolló un simulador acoplado a distintos métodos de aprendizaje evolutivo para la síntesis de algoritmos de locomoción para robots modulares reconfigurables genéricos. Los métodos de aprendizaje empleados fueron Algoritmos Genéticos y NEAT (Neuro Evolution of Augmenting Topologies).

De esta forma, con algoritmos genéticos se desarrollaron reglas de locomoción explícitas (similares a las disponibles en la literatura), mientras que con NEAT se desarrolló una novedosa propuesta, donde las reglas de locomoción están contenidas implícitamente en redes neuronales.

Finalmente, se estudió el proceso de obtención de los algoritmos de locomoción y, posteriormente, se caracterizaron las distintas soluciones obtenidas ante la variación de distintos parámetros y escenarios de ensayo.

El error asociado al aprendizaje con NEAT fue de 1.93%, mientras que con Algoritmos Genéticos se tuvo un error de 17.87%, de donde se tiene que el entrenamiento con NEAT es más repetible que con Algoritmos Genéticos. Sin embargo, los resultados finales obtenidos con Algoritmos Genéticos superaron a los obtenidos con NEAT en un 17.88%.

Para mejorar el proceso de entrenamiento fue necesario acondicionar el simulador de forma tal que cada algoritmo de locomoción obtuviese siempre el mismo resultado, reduciendo la aleatoridad.