Uma nova geração de robôs de enxameação que podem aprender de forma independente e desenvolver novos comportamentos na natureza está um passo mais perto, graças à pesquisa da University of Bristol e da University of the West of England (UWE).

A equipe usou a evolução artificial para permitir que os robôs aprendessem automaticamente os comportamentos do enxame que são compreensíveis para os humanos. Este novo avanço publicado hoje em Sistemas Inteligentes Avançados , poderia criar novas possibilidades robóticas para monitoramento ambiental, recuperação de desastres, manutenção de infraestrutura, logística e agricultura.

Até agora, a evolução artificial normalmente é executada em um computador externo ao enxame, com a melhor estratégia então copiada para os robôs. Contudo, esta abordagem é limitante, pois requer infraestrutura externa e um ambiente de laboratório.

Ao usar um enxame personalizado de robôs com alto poder de processamento embutido no enxame, a equipe de Bristol foi capaz de descobrir quais regras dão origem aos comportamentos desejados do enxame. Isso pode levar a enxames robóticos que são capazes de se adaptar de forma contínua e independente na natureza, para atender aos ambientes e tarefas em mãos. Ao tornar os controladores evoluídos compreensíveis para os humanos, os controladores também podem ser consultados, explicado e melhorado.

Autor principal, Simon Jones, do Laboratório de Robótica da Universidade de Bristol disse:"Controladores compreensíveis nos permitem analisar e verificar projetos automáticos, para garantir a segurança para implantação em aplicativos do mundo real. "

Co-liderado pela Dra. Sabine Hauert, os engenheiros aproveitaram os avanços recentes na computação móvel de alto desempenho, para construir um enxame de robôs inspirados pelos da natureza. Seu "Teraflop Swarm 'tem a capacidade de executar o processo de design automático computacionalmente intensivo inteiramente dentro do enxame, libertando-o da restrição de recursos off-line. O enxame atinge um alto nível de desempenho em apenas 15 minutos, muito mais rápido do que os métodos de evolução incorporados anteriores, e sem dependência de infraestrutura externa.

Dr. Hauert, Professor Sênior de Robótica no Departamento de Engenharia Matemática e no Laboratório de Robótica da Bristol (BRL), disse:"Este é o primeiro passo para enxames de robôs que descobrem automaticamente estratégias de enxame adequadas na natureza."

"A próxima etapa será tirar esses enxames de robôs do laboratório e demonstrar nossa abordagem proposta em aplicações do mundo real."

Ao libertar o enxame de infraestrutura externa, e mostrando que é possível analisar, entender e explicar os controladores gerados, os pesquisadores avançarão para o design automático de controladores de enxame em aplicações do mundo real.

No futuro, começando do zero, um enxame de robôs poderia descobrir uma estratégia adequada diretamente no local, e mudar a estratégia quando a tarefa de enxame, ou mudanças ambientais.

Professor Alan Winfield, BRL e Unidade de Comunicação Científica, UWE, disse:"Em muitos sistemas modernos de IA, especialmente aqueles que empregam Deep Learning, é quase impossível entender por que o sistema tomou uma decisão específica. Essa falta de transparência pode ser um problema real se o sistema tomar uma decisão errada e causar danos. Uma vantagem importante do sistema descrito neste artigo é que ele é transparente:seu processo de tomada de decisão é compreensível por humanos. "