<p>Germund Hesslows simuleringshypotes består av tre olika komponenter. För att modellera den första av dessa komponenter som postulerar en mekanism för intern perceptionssimulering, har det tidigare utförts ett antal experimentella undersökningar. En simulerad Kheperarobot har i dessa tidigare experiment med viss framgång styrts med hjälp av ett artificiellt neuronnät. Detta skedde genom att roboten utifrån den miljö i vilken den befann sig predicerade nästkommande sensortillstånd via neuronnätet. Sensorerna stängdes därefter av och de predicerade värdena återkopplades in i nätverket som indata. Roboten agerade därefter blint i miljön utifrån denna inre värld, men i dessa tidigare undersökningar var det endast ett nätverk som lyckades tränas för att utföra intern perceptionssimulering. Denna experimentella undersökning ämnar att mer systematiskt analysera en implementering av intern perceptionssimulering i en förenklad värld med enklare sensorer än de som har används i tidigare undersökningar. Fem olika nätverkstopologier jämförs via två olika träningsförfaranden, dels ett träningsförfarande där nätverkens vikter tränas med en evolutionsalgoritm, och dels via ett tvådelat evolveringsförfarande där olika delar av nätverket tränas separat. Experimentet gav upphov till ett flertal individer som bedömdes klara den interna perceptionssimuleringen. Resultaten indikerar också på att det integrerade träningsförfarandet verkar vara bättre än det uppdelade</p>

Germund Hesslows simuleringshypotes består av tre olika komponenter. För att modellera den första av dessa komponenter som postulerar en mekanism för intern perceptionssimulering, har det tidigare utförts ett antal experimentella undersökningar. En simulerad Kheperarobot har i dessa tidigare experiment med viss framgång styrts med hjälp av ett artificiellt neuronnät. Detta skedde genom att roboten utifrån den miljö i vilken den befann sig predicerade nästkommande sensortillstånd via neuronnätet. Sensorerna stängdes därefter av och de predicerade värdena återkopplades in i nätverket som indata. Roboten agerade därefter blint i miljön utifrån denna inre värld, men i dessa tidigare undersökningar var det endast ett nätverk som lyckades tränas för att utföra intern perceptionssimulering. Denna experimentella undersökning ämnar att mer systematiskt analysera en implementering av intern perceptionssimulering i en förenklad värld med enklare sensorer än de som har används i tidigare undersökningar. Fem olika nätverkstopologier jämförs via två olika träningsförfaranden, dels ett träningsförfarande där nätverkens vikter tränas med en evolutionsalgoritm, och dels via ett tvådelat evolveringsförfarande där olika delar av nätverket tränas separat. Experimentet gav upphov till ett flertal individer som bedömdes klara den interna perceptionssimuleringen. Resultaten indikerar också på att det integrerade träningsförfarandet verkar vara bättre än det uppdelade