Artificial intelligence 人工智能行为决策

我正在运行一个物理模拟，并将一组运动指令应用于模拟骨骼。我有多套关于骨骼的说明，包括对腿、手臂、躯干等施加的力以及对其各自骨骼施加的力的持续时间。每一组指令（行为）都是通过测试其执行所需行为的有效性来开发的，然后使用遗传算法修改其他类似行为的行为，并再次进行测试。骨架将在其集合列表中具有数组行为

我有适合度函数，测试稳定性、速度、熵最小化和关节上的力。问题是，任何给定的行为都适用于特定的上下文。一种行为在平地上起作用，另一种行为在右脚前方有肿块时起作用，另一种行为在左脚前方起作用，依此类推。因此，每种行为的适用性都因环境而异。仅仅根据以前的健康水平来选择行为是不可行的，因为健康分数不适用于这种情况

---

我的问题是，如何编程让骨架为上下文选择最佳行为？例如，为随机起伏的地形选择最佳步行行为。

您正在使用遗传算法来修改行为，因此这一定意味着您已经为每个因素组合设计了适应度函数。这是你的问题吗

如果是，答案取决于您用来定义最佳步行行为的指标：

最大化稳定性

最大化速度

将接头上的力降至最低

最小化能量或熵的产生

或者你只是尝试一组参数，记录数值，然后让遗传算法驱动你找到最佳解决方案

---

如果每种行为在一种情况下都能很好地工作，而在另一种情况下则不行，那么我会尝试量化如何在各种情况下进行感知和插值，并混合各种策略，看看这是否有帮助。

为什么不在随机起伏的地形上测试这些行为？只需设置遗传算法的参数，使其有点宽容，并且不会因为一两次失败而谴责某个行为

你有两个问题：

没有感觉的两足行走是非常困难的。我见过机器人在崎岖不平的地形上行走时没有感觉，但从来没有只用过两条腿。因此，用这种方法可能找到的最佳解决方案可能不是很好。

运行GA既是科学也是艺术。你可以转动很多旋钮，很难找到能够让新奇感增长而又不被噪音淹没的参数。 简单启动（例如爬行）将有助于实现这两个目标

编辑：

---

等待你在同一个随机地形上一遍又一遍地训练它？难怪你有麻烦了！它针对岩石和凸起的特定布局进行优化，这比一般化要容易得多。根据GA的工作方式，您可能会从使路线变得很长中获得一些好处，但更好的解决方案是将每次通过的地形随机化。当它不能再利用地形的特定特征时，它将有一种进化的动力去推广。由于这是一个更为困难的问题，它将无法像以前那样快速地学习，并且它可能无法在当前参数下取得很好的成绩；做好修补的准备。

现在听起来你只是有一个分类问题。您希望将有关当前所走内容的一些知识映射到一组类中的一个。了解地形的类别允许您调用适当的子例程。这是正确的吗

如果是这样，那么您可以使用大量的分类引擎，包括神经网络、贝叶斯网络、决策树、最近邻等。为了选择最佳拟合，我们需要有关您的问题的更多信息

首先，您有什么样的输入或感觉数据可以帮助您确定应该调用的行为类？第二，您能否描述一下您将在什么情况下培训这个分类器，以及在运行时部署它时的情况，例如对计算资源的任何限制或对噪声鲁棒性的要求

<>编辑：因为你有固定数量的类，并且你有一些参数化的模型来生成所有可能的地形，所以我会考虑使用。原则如下。您将整个地形集群到k个不同的类中，每个集群都与一个专门的子例程相关联，该子例程对该地形集群的性能最好。然后，当一个新地形出现时，它可能会落在其中一个集群附近。然后调用相应的专用子例程来导航该地形

离线操作：生成足够多的随机地形以充分采样参数空间，将这些地形映射到您的感官空间（但记住感官空间中的哪些点对应于哪些地形），然后在此感官空间语料库上运行k-means聚类，其中k是您要学习的类的数量。类代表C和感觉空间中的点P之间的距离函数只是让算法C导航生成P的地形的适应度函数。然后将感觉空间划分为k个簇，每个簇映射到您拥有的最佳子例程。每个簇在感觉空间中都有一个代表点

现在在运行时：您将在感官空间中获得一些未标记的点。使用不同的距离函数查找距离此新引入点最近的代表点。这告诉你地形的等级

请注意，此方法的成功取决于从地形生成的参数空间到感觉空间、从感觉空间到适应度函数的映射的质量，以及用于协调的最终距离函数