Embodied intelligence via learning and evolution
Agrim Gupta, Silvio Savarese, Surya Ganguli & Li Fei-Fei
Nature Communications volume 12, Article number: 5721 (2021)
L’imbrication des processus d’apprentissage et d’évolution dans des niches environnementales complexes a donné lieu à une remarquable diversité de formes morphologiques. En outre, de nombreux aspects de l’intelligence animale sont profondément incarnés dans ces morphologies évoluées. Cependant, les principes régissant les relations entre la complexité de l’environnement, la morphologie évoluée et la capacité d’apprentissage du contrôle intelligent restent insaisissables, car la réalisation d’expériences in silico à grande échelle sur l’évolution et l’apprentissage est difficile. Nous présentons ici Deep Evolutionary Reinforcement Learning (DERL) : un cadre de calcul capable de faire évoluer diverses morphologies d’agents pour apprendre des tâches difficiles de locomotion et de manipulation dans des environnements complexes. En utilisant DERL, nous démontrons plusieurs relations entre la complexité de l’environnement, l’intelligence morphologique et la capacité d’apprentissage du contrôle. Premièrement, la complexité de l’environnement favorise l’évolution de l’intelligence morphologique, quantifiée par la capacité d’une morphologie à faciliter l’apprentissage de nouvelles tâches. Deuxièmement, nous démontrons un effet Baldwin morphologique, c’est-à-dire que dans nos simulations, l’évolution sélectionne rapidement les morphologies qui apprennent plus vite, permettant ainsi aux comportements appris tard dans la vie des premiers ancêtres de s’exprimer tôt dans la vie des descendants. Troisièmement, nous suggérons une base mécaniste pour les relations ci-dessus par l’évolution de morphologies qui sont plus stables physiquement et plus efficaces énergétiquement, et qui peuvent donc faciliter l’apprentissage et le contrôle.
Laisser un commentaire