ロボット行動戦略の学習、理解、整理、再利用

2003 年度 実績報告書

• 研究課題/領域番号: 14580426
• 研究機関: 会津大学
• 研究代表者: 趙 強福 会津大学, コンピュータ理工学部, 教授 (90260421)
• 研究分担者: 劉 勇 会津大学, コンピュータ理工学部, 助教授 (60325967)
• キーワード: 移動型ロボット / ニューラルネット / 進化学習 / 決定木 / ニューラルネットツリー / ルール抽出 / ルールの理解 / ルールの再利用

研究概要

2003年度においては、主に以下の研究について検討した:1.ニューラルネットコントローラの学習と理解:自律型ロボットを設計するに際して、個々の状況をすべてロボットに教えることはできないので、進化学習か強化学習が有効だと思われる。本研究では進化学習を採用した。対象になっているものはミニロボットKheperaである。目的は、進化学習によって、与えられた環境の中で障害物を回避し、なるべく長く走れる、或は、指定したゴール(光源)までいけるニューラルネットコントローラを設計したい。2002年度においてロボットの進化学習について検討したが、2003年度においては、ニューラルコントローラからのルール抽出について検討した。ルールは決定木の形で与えるが、決定を作るために訓練データが必要となる。訓練データを有効に発生するために、いくつかの方法を提案し、その有効性を実験によって確認した。この結果を国際会議で発表した。本研究のもう1つの目的は、抽出したルールを再利用し、ロボットの学習を加速したいことである。しかし、これまでに提案した方法で抽出したルールが複雑で、再利用しにくい問題がある。これからはさらに、簡単でわかりやすいルールを抽出する法について考察したい。
2.理解しやすいコントローラのモデリング:通常のニューラルネットを使うと、学習済みのものを解釈するための計算量は入力数に関してNP完全問題である。本研究では、ニューラルネットツリー(NNTree)を提案した。NNTreeは決定木の一種で、各中間ノードはエックスパートニューラルネット(ENN)で構成されている。各ENNにいくつか有用な特徴だけを利用すれば、決定能力を落とさずに、NNTreeを多項式時間で解釈できる。このようなNNTreeを設計するために、多目的計画法を基にした遺伝的アルゴリズムを提案した。実験結果からわかることは、(1)設計したNNTreeの解釈は簡単となった;(2)システムの性能はあまり低下しなかった;しかし、(3)設計自身は更に難しくとなった。これからは、NNTreeを自律型ロボットの制御に応用するために、NNTreeの実時間進化学習について検討したい。

研究成果

• [文献書誌] T.Takeda, Q.F.Zhao, Y.Liu: "A study on on-line learning of NNTrees"Proc.International Joint Conference on Neural Networks. 513-517 (2003)
• [文献書誌] C.Lu, Q.F.Zhao, W.J.Pei, Z.Y.He: "A multiple objective optimization based GA for designing interpretable and comprehensible neural network trees"Proc.IEEE International Conference on Neural Networks and Signal Processing. 518-521 (2003)
• [文献書誌] K.Sakamoto, T.Takeda, Q.F.Zhao: "Generation of good training data for extracting DTs from evolved NN robot controllers"Proc.IEEE International Conference on Neural Networks and Signal Processing. 33-36 (2003)
• [文献書誌] T.Takeda, Q.F.Zhao: "Growing Neural Network Trees Efficiently and Effectively"Proc.International Conference on Hybrid Intelligent Systems. 107-115 (2003)