The Behavioural and Topological Effects of Measurement Noise on Evolutionary Neurocontrollers
Notice bibliographique
Résumé
The disparity in performance between simulated and real systems is a major problem in robotics and other fields. Simulating measurement noise is one method of reducing these performance differences. Here, we examine the effect of measurement noise on the behaviour and topology of evolved neuromodulated neurocontrollers applied to control evader agents in a pursuit-evasion game. Measurement noise in the form of a zero-mean, normally distributed random signal is applied to the evader’s radar range and angle signals. The results indicate that increasing the levels of measurement noise increases the number of generations required to evolve fit agents. Noise at the neurocontroller outputs is of lesser amplitude than that at the inputs, suggesting a low-pass filtering operation. When levels of measurement noise different to those with which they were evolved were applied to the neurocontrollers, greater amplitude in the measurement noise signal increased the average length of time required to capture the evader. When the level of measurement noise was changed during evolution, after a few generations of further evolution, the neurocontrollers were able to adapt to both increases and decreases in the amount of noise. The evolutionary neurocontrollers are robust to high levels of measurement noise and can adapt to large changes in noise amplitude. This suggests that the neurocontrollers will be robust when used in the field on real robots, and that they may be a good solution to bridging the gap between simulation and reality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».