Abstract
ロボットの身体と脳を最適化することは、結合した課題である。すなわち、形態がどの制御戦略が有効かを決める一方で、制御パラメータが形態の性能をどれだけ引き出せるかを左右する。この共同最適化は、進化と学習の入れ子のループによって行うことができ、各ロボットの制御パラメータを独立に学習する。しかし、あるロボットによって学習された制御パラメータには、他のロボットにとって有用な情報が含まれている可能性がある。そこで本研究では、ロボットが仲間（ピア）の最適化済みパラメータを活用して、自身の脳の最適化を加速できるようにする社会的学習アプローチを導入する。本枠組みにおいて、どのロボットから、いくつ学ぶかを決める教師の選択が性能にどのように影響するかを、4つの課題と環境で仮想的なソフトロボットを用いて体系的に調査する。特に、ロボットの最適化における身体と脳の結びつきが密であることから、形態が類似したロボットから経験を継承することの効果を検討する。得られた結果は、他者の経験を土台にすることの有効性を確認している。すなわち、同等の計算予算の下では、社会的学習がスクラッチからの学習を明確に上回る。さらに、最適な教師選択戦略は依然として未解決であるが、複数の教師からの知識を取り入れることで、より一貫した、かつ頑健な改善につながり得ることが示唆される。
