如何给一个网站做推广,网站被谷歌降权,网站首页弹窗代码,阜阳网站网站建设摘要
细胞机器人系统具有“智能”行为能力。本文分析了这种智能的含义。本文根据上述不可思议智能行为的不可预测性来定义机器人智能和机器人系统智能。对不可预测性概念的分析与#xff08;1#xff09;统计不可预测、#xff08;2#xff09;不可访问、#xff08;31统计不可预测、2不可访问、3不可判定性、4难处理和5不可表示有关。本文认为后两种类型的不可预测性当被具有产生秩序能力的系统表现出来时可以导致一种非平凡的、不同形式的智能行为群体智能。与群体智能相关的工程问题与细胞机器人系统有关细胞机器人系统由自主、非同步、非智能机器人的集合组成协同完成全局任务。
1. 引言
1.1 CRS的概念 作为通用分布式机器人系统的简化模型细胞机器人系统CRS由大量有限机器人组成并在分布式控制下在有限的n维细胞空间上运行。没有系统范围的集中式机制、同步时钟或共享内存。仅在相邻机器人之间存在有限的通信。一方面这些机器人必须自主操作另一方面他们必须合作完成预定义的全局任务。 细胞机器人系统的优点是 1与为同一任务设计的集中式机器人系统相比CRS的每个机器人单元的复杂性要低得多。机器人单元可以模块化、大规模生产、可互换和可能一次性使用。 2由于CRS处于分布式控制之下并且通常它们是高度冗余的因此基于CRS的系统是高度可靠的。这些系统可以设计为在各种干扰中生存并具有动态适应其工作环境的能力。这在需要非常高可靠性的情况下是至关重要的。 3由于CRS本质上是一个大规模并行处理系统其集体计算能力使其能够执行任何单个机器人都不可能完成的机器人任务。 1.2密切相关领域 CRS研究的一个相关领域是细胞自动机理论。细胞模型是冯·诺依曼在机器复制的背景下引入的。从那时起它被用于模拟各种物理和生物现象如模式生长、感知和语言识别。硬件实现范围从连接机到可与IBM PC一起使用的MIT CAM板。与基于细胞自动机模型的系统本质上是同质、静态和同步的相比CRS采用了能够处理信息和物质的智能机器机器人。在细胞自动机理论中这两个实体之间没有概念上的区别。物质如果存在的话已经嵌入到系统的一组状态中。因此细胞自动机的一般模型尽管有能力并不是捕捉实际机器人系统物理活动特征的最佳模型。考虑到物质处理CRS模型对细胞自动机进行了限制以反映细胞元素的物质性质。由于这一本质差异基于CRS的系统必须是异构的、动态的和异步的。 另一个对CRS研究有重大影响的领域是分布式计算。据观察存在一组常见的“子”低级协议各种“主”协议在这些协议上运行。此外这些主要协议通常独立于这些支持协议或者至少可以与这些支持协议隔离。这些支持协议往往与当前分布式计算的许多研究问题直接相关。一个在没有碰撞的情况下控制机器人协调运动的协议举例说明了这类协议这个问题将在第4节中讨论。分布式计算中的许多经典问题如互斥、领导者发现、一致性和多数投票都可以在CRS理论中找到它们的“应用”。 1.3论文组织 下一节定义了群体智能。该定义需要讨论“不可预测性”的概念这是本文的主要贡献。CRS的含义和工程问题在最后两节中提到。这篇论文包括猜想和初步结果并不是为了在数学上严格证明。
2.群体智能
2.1机器人智能 CRS具有以下意义上的“智能”行为。 首先我们明确了本文中使用的一些基本术语的含义。“机器”被定义为能够进行机械行为即传递和/或处理物质/能量的实体。“自动机”被定义为能够进行信息行为即传递和/或处理信息的实体。“机器人”被定义为既能进行机械行为又能进行信息行为的实体即机器人既是自动机又是机器。这些定义与常见用法有些不同但它们有助于避免混淆因为它们只包含“物质/能量”和“信息”这两个定义明确的概念。对于术语“环境”还需要附加规范。在接下来的环境中旨在包括并非系统本身的所有内容。由于信息表示物质的状态很明显我们可以拥有“纯”自动机即只能传递和/或处理信息的实体。另一方面严格地说不可能实现“纯”机器即只传递和/或处理物质的实体即不传递和//或处理信息因为机械状态是状态因此也是信息。然而在概念上分离这两个函数是很方便的就像我们在定义中所做的那样。事实上我们可以假设例如与机器产生的机械变化相比信息变化可以忽略不计。 接下来我们将“智能机器人”定义为 定义2.1.1 一种机器人其行为响应于机器人外部环境的变化从环境的物理测量来看既不是随机的也不是可预测的在下文指定的意义上。 为了满足这个定义我们稍后将看到智能机器人必须包含一个内部模型或表示而外部观察者通常无法访问该模型或表示。这个内部模型加上外部环境通过内部算法来决定机器人的行为。模型甚至算法的修改都是机器人内部行为的实例。 因此记忆是智能机器人的必要属性。但这还不够——常见的滞后系统可以通过外部测量来预测——因为机器人必须能够通过其内部状态加上外部环境来修改其内部状态如果它必须根据我们的定义要求从外部环境不可预测。在智能机器人的定义中“不可预测”一词一直模糊不清。它的含义对定义至关重要但要具体说明它我们需要介绍机器人系统这将在下一节中完成。 2.2机器人系统智能 前面的定义指的是通用实体而不管其数量因此它们也适用于系统。然而系统具有与机器人行为相关的有趣特性。首先没有一个只包含“自动机”的系统可以是机器人但一些只包含“机器”的系统可能是机器人。这些结论源于我们对自动机和机器的定义第2.1节这些定义基于物质/能量和信息的概念。 事实上一组“纯”机器可以传输和/或处理信息。每当“机器”将信息编码为自己的模式时就会发生这种情况。这基本上是生物如遗传信息传递和/或处理的方式。因此一组机器可以是一个机器人。 这一事实开启了用更简单的单元制造机器人的可能性即机器它们单独不能或能力有限处理信息但可以共同转移和/或处理物质和信息。在这里我们希望更进一步重点探讨从非智能机器人中构建智能机器人的意义。 智能机器人在第2.1节中根据行为的不可预测性进行了定义。没有具体说明实际行为和不可预测性。首先我们根据智能机器人与外部环境中物质有序模式即物质物体的排列与物质状态模式即纯信息的关系来指定行为。在这种模式中基本上可以有两种类型的智能行为模式分析例如识别和模式合成例如模式生成。第一种类型可以通过“纯”自动机系统来实现而后者只能通过智能机器人来实现。因此我们将注意力限制在这种类型的智能行为上即我们将关注以下方面的智能 非智能机器人系统表现出集体的智能行为这一行为表现为在外部环境中产生不可预测的特定非统计意义上有序物质模式的能力。 我们注意到由于这种系统合成模式即产生秩序它们必须是耗散的。在最简单的情况下如果系统是能量开放的则满足该条件例如系统的单元非智能机器人可以包含能量源。在不失一般性的情况下我们可以假设情况就是这样。* 2.3不可预测性 在上述定义中我们使用了术语“特定”不是统计意义上的。如果没有这个限定该定义似乎也会被协同自组织系统所满足。众所周知非线性动力学系统可以根据其集体模式的增长率来形成宏观有序状态。在某些情况下即使没有量子涨落系统的未来状态空间路径也无法预测。这种不可预测性是由于这样一个事实即这种系统在进一步发展过程中对初始条件极为敏感这可能导致有序状态。然而这些系统的自组织行为本质上是统计的。非平衡非线性统计物理学是研究自组织系统中有序模式统计形成的有力工具。我们在这里感兴趣的不是由许多系统组成的系统这些系统的性质是统计计算的。例如在CRS中我们对一种“没那么多体的问题”感兴趣大约为100个机器人我们想对其进行非统计描述。 因此尽管不可预测性可能在没有内部模型的情况下发生即即使系统是完全可访问的但这种类型的纯随机不可预测不足以产生第2.1节中定义的智能行为。 在上一节中我们指出外部环境的不可预测性要求能够通过内部状态和外部环境来修改一个实体的内部状态。 这种能力不被大量系统所拥有否则这些系统似乎满足定义。例如植物等生物细胞系统似乎符合定义。然而对于这些系统来说“不可预测性”仅仅是由于内部模型遗传密码的物理不可访问性。这种类型的不可预测性并不是固有的因为我们可能会设想通过物理测量来确定遗传结构的方法。显然这些测量将非常复杂可能需要很长时间但由于遗传密码无法自我改变我们排除突变因为它们通常发生在很长的时间范围内因此最终可以访问它使系统实际上是可预测的。类似的考虑适用于任何系统其不可预测性仅仅是由于其内部模型的物理不可访问性。 更有趣的是系统的内部状态在物理上是可访问的但它仍然是不可预测的。这样的系统确实存在事实上如果我们转向由纯自动机单元组成的系统我们可以立即形成这种类型的不可预测性。事实上众所周知通用自动机的信息时间行为是不可预测的。因此例如“机械”通用自动机可以被视为由非智能机器人单元组成的不可预测系统。由于它能够产生有序的模式所以它满足定义。尽管机械通用自动机例如机械“生命游戏”元胞自动机似乎为满足定义的系统提供了一种“存在证明”但在以下意义上通用自动机的不可预测性类型是非常有限的。 首先通用自动机的不可预测性到底是什么意思自变量如下[16]所示。预测任何系统行为的唯一方法是在通用自动机上进行计算。如果要预测其行为的系统本身能够进行通用计算那么这种计算通常会简化为直接模拟。但在这种情况下这种模拟的速度与模拟系统本身的发展速度只有大约一个常数。因此能够进行普遍计算的系统的无限时间行为在任何有限时间内通常是不可知的因此该问题在形式上是不可判定的。 因此上述问题中的不可预测性本质上是不可判定的。但是那些行为不仅在“无穷大”而且在“每一步”都是不可预测的系统呢这就是任何计算机都无法在任何步骤即创建新模式所需的时间预测的系统 显然这些逐步不可预测的系统是智能行为感兴趣的系统因为我们感兴趣的是一段时间内的智能行为而不仅仅是无穷大的智能行为。 系统的阶跃不可预测性当然可以存在只要某些组件本身是阶跃不可预测的。这是一个微不足道的案件。根据定义我们对其组件是可预测的但在全局范围内它们是不可预测的系统感兴趣。 这可以通过两种方式实现。首先严格来说全局系统是可预测的但不是实时的。这里的“实时”是指“在系统产生新模式所需的时间内”。换句话说预测问题是“棘手的”。 在第二种情况下全局系统是不可预测的无论计算速度如何因为它本质上是不可外部表示的。这两个案例都具有概念和实际意义。这两种类型的不可预测性都包含在下面对群体智能的定义中定义2.2.1。第二种情况将在其他地方详细讨论。在这里我们就“棘手案例”发表一些看法。 传统“智能”机器人的操作包括 1 感测环境 2 计算 3 行动。 这三个操作是按顺序执行的。假设这样的机器人A在步骤3中产生模式。这些模式以及环境由第二个机器人B观察其步骤2由知道A的计算机的初始状态的通用计算机执行。那么A可以由B实时预测在A产生新的模式之前B已经计算好了。 相反考虑合成自身模式的非智能机器人集合C的操作例如移动机器人以CRS中的模式排列自身。对于机器人系统C步骤2和3并行发生。如果观察机器人B知道C的初始状态它能实时预测C产生的模式吗这取决于C中每个机器人单元的速度因为B必须模拟C的动力学。假设对于 C步骤 3 比 2 慢得多这是合理的并让 Tc 成为任何机器人单元的步骤 3 的上限。由于它们异步运行没有共享时钟因此它们的运行时间会有所不同但可以假设上限。因此Tc是C创建新模式的“实时”。 通用计算机B必须在Tb:TbTc的时间内从C的初始状态和外部环境预测这种模式。 首先假设B的计算机具有Von Neumann体系结构。由于Tc不取决于C中机器人单元的数量N因此不取决于C的状态Nc的数量而Tb取决于Nc因此如果N足够大我们总是可以获得TcTb。因此C是不可预测的。现在假设B的计算机具有任何体系结构例如元胞自动机体系结构并且它被设置为模拟C从其初始状态的进化。但由于C的进化包括其动力学除其他外这取决于C中机器人的内部时钟这些时钟可能以不可预测的速度运行因此无法完全模拟。对时钟动力学的任何近似都将导致Nc阶的复杂性计算。因此如果Nc足够大这些计算的时间Tb’也将是Tb’Tc。 在任何情况下在实际应用中对于相对较小的N不可预测性会很快达到。例如如果Tc1msecN100Nc~2100这是一个超出当前超级计算机计算能力的问题。 因此一类机器人系统无论是概念上的还是实践上的都可以巧妙地表现出一种有趣的智能行为 定义 2.2.1 群体智能 非智能机器人系统表现出集体的智能行为这一行为表现为在外部环境中不可预测地产生特定非统计意义上有序物质模式的能力。其中不可预测是指全局“棘手”或“外部不可表示”。
3.比较
由于“不可预测性”是定义2.2.1中的关键概念因此比较迄今为止提到的不同类型的不可预测系统是有用的。图1示意性地显示了不可预测系统之间的关系。纯粹的统计不可预测性例如随机系统可以在非平衡条件下产生有序模式但只能在统计上产生。其他形式的不可预测性在某种程度上取决于内部状态的不可接近性。内在如物理不可接近性如生物系统的遗传密码的兴趣有限。由于缺乏计算能力而导致的不可访问性导致我们区分不可确定性和逐步不可预测性。在分布式动力系统中后者可能导致棘手或外部不可表示性——这些情况构成了“群体智能”的不可预测性。 我们还可以将群体智能与其因果特征联系起来。在图2中我们将群体智能定位为其他四组系统其特征是具有可预测或不可预测的方式分别产生“可能”或“不可能”的效果例如随机或有序模式。1可预测地产生“可能”结果的系统的例子是普通动态系统也有确定地产生混沌行为的非线性系统。可预测地产生“不可能”结果的系统是机器、确定性自动机和非智能机器人。2可预测地产生“不可能”结果的系统是机器、确定性自动机和非智能机器人。3“不可预测”产生“可能”的典型系统是产生随机输出的随机系统例如布朗运动。最后4根据不可预测性的类型不可预测地产生“不可能”的系统范围从统计自组织系统到细胞自动机再到群体智能系统如第2.3节所述。在图2的上下文中群体智能可以被简明地定义为“不可能的难以处理或不可表示的创造”。 4.结论
群体智能表现为计算和动力学的相互作用。从理论上讲这两个领域直到最近几年才开始融合尤其是在S.Wolfram发起的研究领域。到目前为止大部分的重点都放在了元胞自动机上。关于它们的不可判定性以及与模式形成的关系的研究很多。 然而机器人系统还没有得到扩展其他异步系统也被普遍被忽视。根据定义机器人是计算和动力学相结合的系统我们预计机器人科学的理论基础最终将围绕动力学/计算系统理论出现。同时展示群体智能的系统如CRS的工程问题可能有助于揭示一些基本问题。CRS中此类问题的示例有 1将分布式控制协议扩展到“结”和“边界”问题 2子协议 3主动和被动“群”架构[19] 4具体问题如自组装[20]和制造[19] 5通过环境传感进行控制和修复 2.2.1中定义的群体智能可能会在大量动物社会中表现出来例如蚁群。因此我们可以预期目前出现的群体智能工程仅处于初级阶段将来很可能会从“仿生”的角度受益。
