Subjects

Evolutionary robotics is a technique of automatic programming of autonomous robots. The lecture shows how robot can be learned to solve tasks instead of their direct programming. Algorithms simulating natural evolution (mainly genetic algorithms with neural networks) enable the robots to evolve their abilities in interaction with their environment. In the accompanying seminary, the students will work with robot simulators and robotic kits.

Last update: T_KSVI (05.05.2004)

Evolučná robotika je technika automatického programovania autonómnych robotov. Prednáška sa zaoberá problémom ako roboty učiť riešiť úlohy namiesto ich priameho programovania. Algoritmy modelujúce evolúciu (prevažne genetické algoritmy s neurónovými sieťami) umožňujú, aby si roboty sami vyvinuli svoje schopnosti v interakcii s prostredím. V rámci cvičenia budú študenti pracovať so simulátormi robotov a robotickou stavebnicou.

Last update: T_KSVI (05.05.2004)

This course is taught in Czech/Slovak only. The requirements to complete the course can be found on the Czech site equivalent.

Last update: Mráz František, RNDr., CSc. (19.02.2025)

A) Cvičení

V doprovodném Moodle-kurzu se budou postupně objevovat úkoly a testy.

Úkoly:

Každý úkol má stanovené datum odevzdání. Řešení lze do systému vkládat postupně a průběžně ho upravovat. Časem odevzdání je čas kliknutí na tlačítko "Odeslat řešení k oznámkování". Po kliknutí na toto tlačítko řešení už nelze opravovat, ale lze zažádat e-mailem učitele o vrácení do stavu rozpracování. Každý úkol bude učitelem oznámkován přidělením 0-10 bodů. Za celý semestr budou zadány 2 úkoly.

Typické řešení úkolu bude sestávat z textu – popisu řešení – a kódu programu/skriptu použitého na vyřešení úkolu. Texty odevzdávejte ve formátu PDF, případně RTF, zdrojové kódy jako jednoduché ASCII soubory. Alternatívne lze odevzdat text i kód v jediném souboru jako jupyter/IPython notebook.

Upozornění: V případě, že bude zjištěno, že N≥2 posluchačů odevzdalo řešení, která se nápadně podobají nebo jsou zcela totožné, budou všechna tato řešení považována za jedno řešení. Toto řešení bude ohodnoceno B body podle jeho kvality, ale každý z těchto N řešitelů získá pouze dolní celou část z B/N bodů.

Testy:

Kromě úkolů, budou postupně zveřejňovány on-line testy. Každý test bude mít stanovené datum, do kterého musí být vyřešen. Řešit test po tomto datu nebude možné. Za celý semestr budou zadány 2 online testy. Za každž´ý znich bude možné získat 5 bodů.

Pro získání zápočtu je nutné:

Vypracovat řešení všech úkolů a za řešení každého úkolu získal alespoň 1 bod. POZOR: za pozdní odevzdání úkolu se strhává 1 bod za každý započatý týden po termínu odevzdání!

Vypracovat a přednést řešení projektu na jednom z posledních cvičení nebo v termínu prezentací v zkouškovém období (jeho datum a čas bude dohodnutý na cvičení v posledním týdnu semestru). Témata projektů budou dohodnuté přibližně v půlce semestru na cvičení. Prezentace a odevzdané řešení budou taktéž ohodnoceny dohromady 0-15 body.

Mezi výše uvedenými podmínkami nejsou uvedeny on-line testy. Na cvičeních lze získať dodatečné body

za předvedení řešení úkolu zadaného na cvičení - 1 bod,

za předvedení řešení úkolu zadaného a odevzdaného v Moodlu (po termíně odevzdání) - dolní celá část poloviny bodů, které budou přiděleny za odevzdané řešení.

Body získané za celý semestr budou zkoušejícím započítány do celkové známky za předmět tak, aby tvořily 40% výsledného bodového hodnocení, ze kterého bude odvozena známka při zkoušce.

Získání zápočtu vyžaduje průběžnou práci přes celý semestr, a proto žádné náhradní termíny pro získání zápočtu nebudou vypsány.

B) Přednáška

Jak už bylo zmíněno výše, body získané z cvičení budou započítány s vahou 40% do celkového hodnocení posluchače. Samotná zkouška na konci semestru se započítá 60% do výsledného hodnocení. Posluchač získá známku na základě celkového hodnocení podle následující tabulky

známka 1	známka 2	známka 3	nevyhověl
100%–86%	85%–71%	70%–56%	méně než 56%

Last update: Mráz František, RNDr., CSc. (19.02.2025)

S. Nolfi, D. Floreano: Evolutionary robotics: the biology, intelligence and technology of self-organizing machines, The MIT Press, Cambridge, Massachusetts, 2000

R. C. Arkin: Behavior-based robotics, The MIT Press, Cambridge, Massachusetts, 1998

D. Floreano, C. Mattiussi: Bio-Inspired Artificial Intelligence: Theories, Methods, and Technologies, MIT Press, 2008

Last update: Mráz František, RNDr., CSc. (05.05.2015)

Behavior-based robotics, robot learning, artificial life. Engineering perspective, biological perspective.

Genetic algorithms, artificial neural networks, neural control of a robot, evolution of neural networks, genetic programming. Robot evolution - simulated and physical.

Evolution of simple navigation - straight motion with obstacle avoidance.

Reactive intelligence, sensory-motor coordination.

Modular control architecture, evolution of a modular architecture.

Learning and evolution - two forms of (biological) adaptation.

Competitive co-evolution, a predator-prey model.

Genotype, phenotype, mapping of genotype into phenotype.

Evolution of complex walking robots.

Evolutionary learning of neural networks - algorithms SANE, ESP and NEAT.

Robotic swarms - examples of usage, coordinated exploration, transportation and clustering, reconfigurable robots.

From simulation to reality - construction of physical robots based on results from a simulation.

Last update: Mráz František, RNDr., CSc. (05.05.2015)

Robotika založená na správaní (behaviour-based robotics), učenie robotov, umelý život (artificial life). Inžinierske motivácie, biologické motivácie.

Genetické algoritmy, umelé neurónové siete, riadenie robota neurónovou sieťou, evolúcia neurónových sietí, genetické programovanie. Evolúcia robotov - simulovaná a reálna.

Evolúcia jednoduchej navigácie - priamy pohyb s obchádzaním prekážok.

Reaktívna inteligencia, sensorovo-motorová koordinácia.

Modulárne riadenie, evolúcia modulárnej architektúry.

Vzťah učenia a evolúcie ako dvoch foriem (biologickej) adaptácie.

Kompetitívna ko-evolúcia, model "dravec-korisť".

Genotyp, fenotyp, zobrazenie genotypu na fenotyp.

Evolúcia zložitejších kráčajúcich robotov.

Evolučné učenie neurónových sietí - algoritmy SANE, ESP a NEAT.

Robotické roje - príklady využitia, koordinovaný prieskum, premiestňovanie a zhlukovanie, rekonfigurovatelné roboty.

Od simulácie k realite - konštrukcia fyzických robotov na základe výsledkov simulácie.

Last update: Mráz František, RNDr., CSc. (05.05.2015)