Search

Bio-inspired computing can be used to model natural and social systems, including societies with cultural development. Currently, two positions on cultural evolution stand out: with and without replicators. The existence of memes, as cultural replicators, is still hypothetical, and it seems better to look for them in the brain, because they can only be: neuro-memes. In literature there are only two models inspired by the neuro-memetics, and culture evolves side by side with genetics, so it’s necessary to model a gene-culture co-evolution, with neuro-memes. Such a model would be used to help validate the neuro-memetics, on the one hand, and on the other hand, it would help to understand and heal serious problems in human societies. Here, a genetic and neuro-memetic co-evolutionary system was achieved, and a robotic society used it for survive by developing behavioural patterns as a cultural tradition. La computación bio-inspirada puede ser empleada para modelar sistemas naturales y sociales, entre los cuales están las sociedades con desarrollo cultural. En la actualidad, sobresalen dos posturas sobre la evolución cultural: con y sin replicadores. La existencia de memes, como replicadores culturales, es aún hipotética, y parece mejor buscarlos en el cerebro, porque solo pueden ser: neuro-memes. En la literatura hay apenas dos modelos inspirados en la concepción neuro-memética, y como la evolución cultural va de la mano con la genética, se requiere entonces modelar una co-evolución gene-cultura, basada en neuro-memes. Un modelo así, se usaría para ayudar a validar la hipótesis neuro-memética, por un lado, y por el otro, ayudaría a comprender y atender serias problemáticas en las sociedades humanas. Con este proyecto se logró un sistema de co-evolución genética y neuro-memética, que fue usado por una sociedad de robots para sobrevivir, desarrollando un comportamiento cultural. Magíster en Ingeniería de Sistemas y Computación Maestría

Este trabajo explora la aplicación de campos neuronales, a tareas de control dinámico en el domino de caminata bípeda. En una primera aproximación, se propone una arquitectura de control que usa campos neuronales en 1D. Esta arquitectura de control es evaluada en el problema de estabilidad para el péndulo invertido de carro y barra, usado como modelo simplificado de caminata bípeda. El controlador por campos neuronales, parametrizado tanto manualmente como usando un algoritmo evolutivo (EA), se compara con una arquitectura de control basada en redes neuronales recurrentes (RNN), también parametrizada por por un EA. El controlador por campos neuronales parametrizado por EA se desempeña mejor que el parametrizado manualmente, y es capaz de recuperarse rápidamente de las condiciones iniciales más problemáticas. Luego, se desarrolla una arquitectura extendida de control y planificación usando campos neurales en 2D, y se aplica al problema caminata bípeda simple (SBW). Para ello se usa un conjunto de valores _óptimos para el parámetro de control, encontrado previamente usando algoritmos evolutivos. El controlador óptimo por campos neuronales obtenido se compara con el controlador lineal propuesto por Wisse et al., y a un controlador _optimo tabular que usa los mismos parámetros óptimos. Si bien los controladores propuestos para el problema SBW implementan una estrategia activa de control, se aproximan de manera más cercana a la caminata dinámica pasiva (PDW) que trabajos previos, disminuyendo la acción de control acumulada. / Abstract. This work explores the application of neural fields to dynamical control tasks in the domain of biped walking. In a first approximation, a controller architecture that uses 1D neural fields is proposed. This controller architecture is evaluated using the stability problem for the cart-and-pole inverted pendulum, as a simplified biped walking model. The neural field controller is compared, parameterized both manually and using an evolutionary algorithm (EA), to a controller architecture based on a recurrent neural neuron (RNN), also parametrized by an EA. The non-evolved neural field controller performs better than the RNN controller. Also, the evolved neural field controller performs better than the non-evolved one and is able to recover fast from worst-case initial conditions. Then, an extended control and planning architecture using 2D neural fields is developed and applied to the SBW problem. A set of optimal parameter values, previously found using an EA, is used as parameters for neural field controller. The optimal neural field controller is compared to the linear controller proposed by Wisse et al., and to a table-lookup controller using the same optimal parameters. While being an active control strategy, the controllers proposed here for the SBW problem approach more closely Passive Dynamic Walking (PDW) than previous works, by diminishing the cumulative control action. Maestría