Modular creation of neuronal networks for autonomous robot control

Abstract

En general, las tareas de control complejas pueden ser resueltas dividiéndolas en módulos más específicos y fáciles de manejar. Varios autores han desarrollado distintas soluciones que combinan técnicas de Evolución por Capas con Redes Neuronales Evolutivas dando lugar a controladores formados por varias redes. En este tipo de soluciones la elección del módulo a utilizar en cada caso no es un problema de fácil solución. Este artículo está enfocado en la presentación de un nuevo mecanismo evolutivo que permite combinar los módulos que resuelven las distintas partes de un problema dando lugar a una única red neuronal recurrente. De esta forma, se trabaja con módulos simples que son entrenados independientemente del problema a resolver. La comunicación entre ellos se establece por evolución dando lugar a una única red neuronal que representa a la solución deseada. El método propuesto en este artículo ha sido utilizado para resolver el problema de evasión de obstáculos y alcance de objetivos utilizando un robot Khepera II. Las pruebas realizadas tanto en el ambiente simulado como sobre el robot real han arrojado resultados muy satisfactorios. Finalmente se incluyen algunas conclusiones junto con líneas de trabajo futuras

In general, complex control tasks can be solved by dividing them into simpler ones which are easier to handle. Several authors have developed different solutions that combine Layer Evolution techniques with Evolving Neural Networks, giving rise to controllers made up by several networks. In this type of solution, the selection of the module to be used in each case is not an easy problem to solve. This paper is focused on the presentation of a new evolving mechanism that allows combining the modules which solve the different parts of a problem, giving place to a single recurrent neural network. In this way, simple modules which are trained independently of the problem to solve are used. The communication among them is established by evolution, which gives rise to a single neural network representing the expected solution. The proposed method in this paper has been used to solve the problem of obstacle evasion and target reaching using a Khepera II robot. The tests carried out, both in the simulated environment and over the real robot, have yielded really successful results. Finally, some conclusions, together some future lines of work, are presented