<p>Detta examensarbete behandlar ett experiment som Tom Smith utförde vid sitt magisterarbete, att utveckla en Kheperarobot som ska utföra en fotbollsuppgift av enklare modell. Dock koncentrerar sig detta arbete mer på en evaluering av artificiella neurala nätverk för detta problem. De olika typerna av ANN-arkitekturer som har använts till detta arbete är förutom Tom Smiths, baserade på arkitekturer från en artikel skriven av Stefano Nolfi.</p><p>De resultat som har uppnåtts visar att precis som i Stefano Nolfis artikel är det en arkitektur med "spontan modularitet" som visar sig fungera bäst av de arkitekturer som undersökts, även till detta problem.</p>

<p>Forskning angående styrsystem inom evolutionär robotik fokuserar ofta på vad som går att uträtta med självlärda styrsystem, men inte vad beteendebaserade styrsystem klarar av. I detta projekt utförs systematiska tester för att jämföra beteendebaserade och självlärda styrsystem inom evolutionär robotik. Benämningen beteendebaserade styrsystem används för styrsystem som består av flera underliggande moduler, där robotens övergrippande beteende är uppdelat i flera moduler och där respektive modul har ansvar för ett specifikt beteende eller funktion. Självlärt styrsystem referar i detta sammanhang till styrsystem som inte explicit består av moduler som har åstakommits eller bestämts i förväg.</p><p>Från resultaten framgår det att både självlärda och beteendebaserade styrsystem klarar av att lösa problemen de ställs inför. För beteendebaserade styrsystem krävs dock större ansvar från experimentatorn, vars inflytande ökar på grund av att det är flera moduler som skall skapas och koordineras. De beteendebaserade styrsystemen i projektet använder en beslutsenhet för att hantera när och vilken modul som ska aktiveras och tar bort detta ansvar från experimentatorn. Beslutsenheten ger styrsystemet en mer smidig övergång mellan de olika modulerna och hittar en lämplig användning av modulerna än utan en beslutsenhet. Från resultatet av projektet framgår det att fler systematiska tester angånde beteendebaserade och självlärda styrsystem behövs för att få en bättre förståelse över när och hur de olika styrsystemen bör användas.</p>

Forskning angående styrsystem inom evolutionär robotik fokuserar ofta på vad som går att uträtta med självlärda styrsystem, men inte vad beteendebaserade styrsystem klarar av. I detta projekt utförs systematiska tester för att jämföra beteendebaserade och självlärda styrsystem inom evolutionär robotik. Benämningen beteendebaserade styrsystem används för styrsystem som består av flera underliggande moduler, där robotens övergrippande beteende är uppdelat i flera moduler och där respektive modul har ansvar för ett specifikt beteende eller funktion. Självlärt styrsystem referar i detta sammanhang till styrsystem som inte explicit består av moduler som har åstakommits eller bestämts i förväg. Från resultaten framgår det att både självlärda och beteendebaserade styrsystem klarar av att lösa problemen de ställs inför. För beteendebaserade styrsystem krävs dock större ansvar från experimentatorn, vars inflytande ökar på grund av att det är flera moduler som skall skapas och koordineras. De beteendebaserade styrsystemen i projektet använder en beslutsenhet för att hantera när och vilken modul som ska aktiveras och tar bort detta ansvar från experimentatorn. Beslutsenheten ger styrsystemet en mer smidig övergång mellan de olika modulerna och hittar en lämplig användning av modulerna än utan en beslutsenhet. Från resultatet av projektet framgår det att fler systematiska tester angånde beteendebaserade och självlärda styrsystem behövs för att få en bättre förståelse över när och hur de olika styrsystemen bör användas.

Detta examensarbete behandlar ett experiment som Tom Smith utförde vid sitt magisterarbete, att utveckla en Kheperarobot som ska utföra en fotbollsuppgift av enklare modell. Dock koncentrerar sig detta arbete mer på en evaluering av artificiella neurala nätverk för detta problem. De olika typerna av ANN-arkitekturer som har använts till detta arbete är förutom Tom Smiths, baserade på arkitekturer från en artikel skriven av Stefano Nolfi. De resultat som har uppnåtts visar att precis som i Stefano Nolfis artikel är det en arkitektur med "spontan modularitet" som visar sig fungera bäst av de arkitekturer som undersökts, även till detta problem.

<p>I dagens utveckling av robotkontrollers så finner vi olika synsätt på hur vi ska angripa problemen som en robot ställs inför. Det här arbetet koncentrerar sig på artificiella neurala nät (ANN) och evolution med genetiska algoritmer och en fokusering sker på en speciell arkitektur av ANN som Stefano Nolfi presenterat.</p><p>Rapporten kan ses som en fortsättning på Nolfis arbete och behandlar extensioner av fenomenet "spontan modularitet" som Nolfi beskriver. Det testproblem som används består i att utveckla ett kontrollsystem för en skräpsamlande robot. Detta arbete baseras på experiment runt detta problem med arkitekturer, vilka baseras på Nolfis spontana modularitet. Vi testar hur arkitekturerna påverkas av interna och återkopplade noder.</p><p>Resultaten visar på att en spontan modularitet inte tycks påverkas positivt av återkopplade eller interna noder.</p>

I dagens utveckling av robotkontrollers så finner vi olika synsätt på hur vi ska angripa problemen som en robot ställs inför. Det här arbetet koncentrerar sig på artificiella neurala nät (ANN) och evolution med genetiska algoritmer och en fokusering sker på en speciell arkitektur av ANN som Stefano Nolfi presenterat. Rapporten kan ses som en fortsättning på Nolfis arbete och behandlar extensioner av fenomenet "spontan modularitet" som Nolfi beskriver. Det testproblem som används består i att utveckla ett kontrollsystem för en skräpsamlande robot. Detta arbete baseras på experiment runt detta problem med arkitekturer, vilka baseras på Nolfis spontana modularitet. Vi testar hur arkitekturerna påverkas av interna och återkopplade noder. Resultaten visar på att en spontan modularitet inte tycks påverkas positivt av återkopplade eller interna noder.