Umelá inteligencia v humanoidných systémoch

TECHNICKÁ UNIVERZITA V KOŠICIACH 

FAKULTA ELEKTROTECHNIKY A INFORMATIKY 

KATEDRA KYBERNETIKY A UMELEJ INTELIGENCIE 

Umelá inteligencia v humanoidných systémoch 

MÁRIA VIRČÍKOVÁ 

Diplomová práca 

2010

TECHNICKÁ UNIVERZITA V KOŠICIACH 

FAKULTA ELEKTROTECHNIKY A INFORMATIKY 

Katedra kybernetiky a umelej inteligencie 

Centrum pre inteligentné technológie 


Vedúci diplomovej práce: 

DIPLOMOVÁ PRÁCA 

Mária Virčíková 

Košice 2010 

Prof. Ing. Peter Sinčák, PhD.

Analytický list 

Autor: Mária Virčíková 

Názov práce: 

Jazyk práce: slovenský 

Typ práce: Diplomová práca 

Počet strán: 90 

Akademický titul: Inžinier 


Univerzita: Technická univerzita v Košiciach 

Fakulta: Fakulta elektrotechniky a informatiky (FEI) 

Katedra: Katedra kybernetiky a umelej inteligencie (KKUI) 

Študijný odbor: Umelá inteligencia 

Študijný program: Umelá inteligencia 

Mesto: Košice 

Vedúci DP: Prof. Ing. Peter Sinčák, PhD. 

Konzultant DP: Prof. Ing. Peter Sinčák, PhD. 

Dátum odovzdania: 7. mája 2010 

Dátum obhajoby: 24. mája 2010 

Kľúčové slová: Interakcia človek– robot, Inteligentné systémy, Humanoidná 

robotika, Robotický tanec, Interaktívna evolúcia, Evolučné al- 

goritmy, Genetické algoritmy, Spoločenská robotika 

Kategória; Konspekt: Výpočtová technika; Umelá inteligencia 

Citovanie práce: Virčíková, Mária: Umelá inteligencia v humanoidných systé- 

moch. Diplomová práca. Košice: Technická univerzita v Koši- 

ciach, Fakulta elektrotechniky a informatiky, 2010, 90s. 

Názov práce v AJ: 

Artificial Intelligence in Humanoid Systems 

Kľúčové slová v AJ: Human– robot interaction, Intelligent systems, Humanoid ro- 

botics, Robotic dance, Interactive evolution, Evolutionary al- 

gorithms, Genetic algorithms, Social robotics

Abstrakt 

Diplomová práca sa zaoberá použitím prostriedkov umelej inteligencie v huma- 

noidnej robotike a konkrétne sa zameriava na spoločenskú robotiku a využitie interak- 

tívnej evolúcie pre systém robotického tanca. V práci sú opísané základy a hlavné vlast- 

nosti interaktívnych evolučných algoritmov nasledované prehľadom ich výskumu a ap- 

likácií. Táto technika optimalizuje systém na základe subjektívneho hodnotenia použí- 

vateľom. Algoritmus je aplikovaný na systém návrhu robotického tanca, kde evolučný 

algoritmus pomáha užívateľovi v procese tvorenia choreografie tanca robotov. Systém 

bol implementovaný v jazyku Python a v simulačnom prostredí Webots. Experimenty 

s niekoľkými ľudskými hodnotiteľmi dokázali, že prístup s použitím interaktívneho ge- 

netického algoritmu na navrhovanie choreografie robotického tanca je sľubný. 

Abstract 

This thesis deals with a usage of artificial intelligent techniques in humanoid ro- 

botics. The focus is on social robotics and how to use the interactive evolution for robo- 

tic dance system. In this diploma thesis the definition, principles and basic features of In- 

teractive Evolutionary Computation are described and followed by an overview of their 

research and applications. This technique optimizes systems based on subjective human 

evaluation. The algorithm is applied to a system of the design of robotic dance, in which 

the evolutionary algorithm helps user to create choreography of the robotic dance. The 

system was implemented in language Python and simulation environment Webots. The 

experiments with several human subjects show that the interactive genetic algorithm ap- 

proach to robotic dance choreography design aid system is promising.

Čestné vyhlásenie 

Diplomovú prácu som vypracovala samostatne s použitím uvedených referencií. 

V Košiciach, 6. mája 2010 ......................................... 

Podpis

Poďakovanie 

Ďakujem mamke a profesorovi Sinčákovi za všetko, čo pre mňa urobili.

FEI KKUI 

Život je pomerne jednoduchý: 

Robíte nejaké veci. 

Väčšina z nich zlyhá. 

Niektoré fungujú. 

Urobíte viac toho, čo funguje. 

Ak to funguje veľmi dobre, ostatní to rýchlo odkopírujú. 

Potom urobíte niečo iné. 

Trik je robiť niečo iné. 

Leonardo da Vinci

FEI KKUI 

Predhovor 

Toto je vek strojov, vo všetkých zjavných aj skrytých významoch tohto slova. 

Thomas Caryle, 1795 – 1881, škótsky filozof a historik 

Jorge Luis Borges 1 píše v poviedke Babylonská knižnica o Knižnici, ktorá pozostáva 

z neurčitého a nekonečného počtu kníh – zahŕňa knihy, ktoré kedy boli napísané a kni- 

hy, ktoré niekedy napísané budú. Ak má nejaká kniha jestvovať, stačí pripustiť možnosť 

jej jestvovania. Väčšina kníh obsahuje nezmysly a rozumné súvislosti sú takmer zázrač- 

né výnimky, no nachádzajú sa medzi nimi aj knihy, ktoré obsahujú všetku znalosť ves- 

míru. 

Borgesova Babylonská knižnica je hypotetická, abstraktná konštrukcia všetkých 

možných permutácií slov. Dnes sa model jeho Knižnice pomocou počítačov a vedy stá- 

va dosiahnuteľným, keďže je možné napísať podobný program (samozrejme nemáme 

dostatočne veľké miesto na jeho uloženie), no Knižnica je dynamicky tvorená, keď uží- 

vateľ skúma jej potenciálne výsledky. Cestovateľ v takejto Knižnici zisťuje (ako Borges 

predpokladal), že nájsť jeho vysnívané riešenie je veľmi náročné, keďže väčšina „kníh“ 

je len nezrozumiteľný zhluk písmen. 

Ako by sa dalo uľahčiť cestovateľovi nájsť „majstrovský kus “ v nekonečnom 

priestore možností? Keby sme ohraničili Knižnicu do takej miery, aby stále poskytovala 

dostatok možností výberu, potom by stačilo len mať nástroj, ktorý by prehľadával prie- 

stor efektívne a takým spôsobom by sme našli niečo inšpirujúce. 

Jedným z nástrojov by mohol byť práve evolučný algoritmus, ktorý prehľadáva 

priestor možných riešení. Patrí do triedy slabých algoritmov, ktoré nekladú veľké po- 

žiadavky a dokážu riešiť široké spektrum úloh. 

Evolučné algoritmy sú inšpirované biologickou teóriou evolúcie, podľa ktorej bo- 

hatosť druhov vznikla ich postupným rozdeľovaním na viacero nových v priebehu času 

z generácie na generáciu. Jej základy položili Jean–Baptiste Lamarck (1744– 1829) a 

Charles Darwin (1809– 1882). 

1 Jorge Luis Borges, poviedka Babylonská knižnica: Záhrada s chodníkmi, ktoré nás rozvetvujú, 1941

FEI KKUI 

Obaja zastávali názor, že organizmy sa menia postupne v priebehu času, prispôso- 

bujúc sa ich prostrediu a vyvinuli sa z jednoduchších organizmov. 

Lamarck uviedol teóriu dedičnosti získaných vlastností, ktorú prvýkrát predstavil v 

roku 1801: Ak sa organizmus mení v priebehu života s cieľom prispôsobiť sa jeho pro- 

strediu, potom sú tieto zmeny prenesené na jeho potomkov. Inak povedané, vlastnosti 

fenotypu získané adaptáciou sú prenosné dedičnosťou na potomkov. Časti tela, ktoré nie 

sú využívané, postupne miznú. Lamarck tiež veril, že vývoj sa uskutočňuje podľa vo- 

pred stanoveného plánu, o výsledkoch ktorého už bolo rozhodnuté. 

Naopak, Darwinova teória hovorí, že zmeny v organizme v priebehu jeho života 

nemajú vplyv na vývoj druhov. Organizmy, aj keď sú rovnakého druhu, sú všetky rôzne 

a tie, ktoré sa odlišujú v odchýlkach, ktoré im pomáhajú prežiť v ich prostredí, majú 

sklon mať viac potomkov. Potomkovia sa rodia s užitočnými črtami, ktoré zdedili 

a postupne, ako sa rozmnožujú, jedinci s týmto zvláštnosťami tvoria väčšinu a ostatní 

jedinci, ktorí nie sú tak dobre prispôsobení, vymierajú. Darwin tiež veril, že evolúcia 

neprebieha v závislosti od nejakého plánu. 

Evolučný proces je teda proces adaptácie, v rámci ktorého sa maximalizuje sila or- 

ganizmu konvergujúc podľa hesla „najsilnejší prežíva“. 

Za otca konceptu evolučných výpočtov sa považuje Holland 2 , ktorý genetické al- 

goritmy (bližšie popísané v kapitole 3.) charakterizoval ako: 

„Počítačové programy, ktoré sa vyvíjajú (angl. evolve) spôsobmi, podobnými vý- 

beru v prírode, poskytujúc riešenia zložitých problémov aj vtedy, keď im ich tvorcovia 

dokonale nerozumejú.“ 

Avšak Turing 3 , už takmer tridsať rokov pred Hollandom uvažuje: 

„Existuje genetické alebo evolučné prehľadávanie, v ktorom sa hľadá kombinácia 

génov, kde kritériom je hodnota prežitia.“ 

Turing nešpecifikoval ako viesť toto „genetické alebo evolučné prehľadávanie“ na 

riešenie problémov a hlavne nespomenul koncept populácie alebo rekombinácie, ale 

o dva roky neskôr uvádza 4 : 

2 John Holland v roku 1975 vydal knihu „Adaption in Natural and Artificial Systems“ 

3 Alan Turing v roku 1948 v knihe „Intelligent Machinery“ 

4 v roku 1950 v článku „Computing Machinery and Intelligence“

FEI KKUI 

„Nemôžeme očakávať, že nájdeme dobrého potomka na prvý pokus.“ 5 

Interaktívne evolučné výpočty takýmto spôsobom, inšpirujúc sa evolúciou 

v prírode, prehľadávajú priestor možných riešení a používateľ rozhoduje o vývoji 

„knižníc“ podobných Borgesovej, ktoré majú podobu obrázkov, hudobných kompozícií, 

architektonických a dizajnérskych produktov. 

Mojou ambíciou je použiť nadobudnuté teoretické poznatky o evolučných algo- 

ritmoch v aplikácii robotického tanca, kde človek vstupuje do procesu tvorby choreo- 

grafie tanca a na základe jeho vlastného vkusu a preferencií vzniká nový tanec. 

5 Turing takisto načrtol prepojenie medzi procesom hľadania lepšieho riešenia (hovoriac o strojoch) 

a evolúciou pomocou identifikátorov ako dedičný materiál (štruktúra potomka), mutácie (zmeny potom- 

ka), prirodzená selekcia (posúdenie experimentátora).

FEI KKUI 

Obsah 

Zoznam obrázkov ......................................................................................................... 13 

Zoznam tabuliek ........................................................................................................... 15 

Zoznam symbolov a skratiek ....................................................................................... 16 

Úvod ............................................................................................................................... 17 

1 Formulácia úlohy .................................................................................................. 20 

1.1 Ciele diplomovej práce ................................................................................... 20 

1.2 Štruktúra diplomovej práce ............................................................................ 20 

2 Úvod do humanoidnej robotiky ........................................................................... 22 

2.1 Výskum humanoidnej robotiky ........................................................................ 22 

2.2 Použitie prostriedkov umelej inteligencie v humanoidných systémoch .......... 27 

2.2.1 Fuzzy logika v humanoidných systémoch .................................................. 30 

2.2.2 Neurónové siete v humanoidných systémoch ............................................ 31 

2.2.3 Evolučné prístupy v humanoidných systémoch .......................................... 32 

2.3 Tanec v humanoidnej robotike ....................................................................... 33 

3 Úvod do evolučných výpočtov so zameraním na interaktívnu evolúciu .......... 37 

3.1 Základné teoretické východiská evolučných výpočtov .................................... 37 

3.2 Interaktívna evolúcia ...................................................................................... 41 

3.3 Problematika interaktívnych evolučných výpočtov ......................................... 44 

4 Návrh systému pre robotický tanec pomocou interaktívnej evolúcie .............. 46 

4.1 Motivácia ........................................................................................................ 46 

4.2 Navrhované riešenie ....................................................................................... 46 

4.3 Humanoidný robot Nao a simulácia jeho tanca v prostredí Webots .............. 50 

4.4 Implementácia genetického algoritmu ............................................................ 57 

4.4.1 Chromozóm ................................................................................................ 59

FEI KKUI 

4.4.2 Meranie vhodnosti ...................................................................................... 60 

4.4.3 Selekcia ....................................................................................................... 61 

4.4.4 Genetické operátory .................................................................................... 61 

5 Realizácia demonštračných experimentov na vyvíjanom systéme ................... 63 

5.1 Návrh experimentov ........................................................................................ 63 

5.2 Experimentálne výsledky generovania robotického tanca .............................. 65 

5.2.1 Časti fenotypu ............................................................................................. 65 

5.2.2 Hodnotenie subjektu č. 1 a evolúcia fenotypov .......................................... 66 

5.2.3 Hodnotenie subjektu č. 2 a evolúcia fenotypov .......................................... 71 

5.3 Analýza dosiahnutých výsledkov ..................................................................... 75 

Výsledný tanec č. 1 ........................................................................................................ 76 

Výsledný tanec č. 2 ........................................................................................................ 79 

6 Zhodnotenie a záver .............................................................................................. 83 

6.1 Splnenie téz diplomovej práce ........................................................................ 83 

6.2 Práca do budúcna ........................................................................................... 84 

Epilóg ............................................................................................................................. 86 

Zoznam použitej literatúry .......................................................................................... 88 

Prílohy ............................................................................................................................ 90

FEI KKUI 

Zoznam obrázkov 

Obr. 1 Evolúcia výskumu v robotike za posledných päťdesiat rokov podľa [5] ........................................ 24 

Obr. 2 Najväčšie projekty androidných robotov na svete podľa http://www.androidworld.com............... 28 

Obr. 3 Tancujúci robot : učenie pozorovaním od užívateľa ....................................................................... 34 

(LFO: learning from observation) podľa [12] ........................................................................................... 34 

Obr. 4 Tancujúci Robot Mahru z Južnej Kóreii [14] ................................................................................. 35 

Obr. 5 Vývojové prostredie robota SDR– 4X vyvinuté autormi uvádzanými v [2] .................................. 35 

Obr. 6 Robot ako tancujúci partner vyvinutý na Tohoku University [14] ................................................. 36 

Obr. 7 Reprodukcia dvoch chromozómov a následná mutácia ich potomka [4] ........................................ 38 

Obr. 8 Príklad reprezentácie GP funkcie +(– (0,5),/(PI,*(a,b))) ............................................................... 40 

Obr. 9 Proces GA a IGA [13] .................................................................................................................... 42 

Obr. 10 Schéma navrhovaného riešenia ..................................................................................................... 47 

Obr. 11 GUI, na ktorom užívateľ ohodnotí na základe vlastných preferencií predvedený tanec robotov na 

stupnici od 1 (najlepší tanec) do 5 (tanec sa v ďaľšom kroku nebude vôbec brať do úvahy ) ................... 48 

Obr. 12 Navrhnutý systém: evolučný algoritmus vygeneruje súbor s fenotypmi obsahujúci informáciu 

o nastavení jednotlivých kĺbov robotov, ktorý načíta simulátor a vykoná pohyb ...................................... 50 

Obr. 13 Robot Nao: reálna podoba ............................................................................................................ 51 

Obr. 14 Vývojové prostredie simulátora Choreographe ............................................................................ 53 

Obr. 15 Vývojové prostredie simulátora Webots ....................................................................................... 53 

Obr. 16 Kroky práce so simulátorom Webots: model, program, simulácia a transfer na reálne roboty 

(www.cyberbotics.com/products/webots/) ................................................................................................. 54 

Obr. 17 Zhotovené prostredie vo Webotsi na simuláciu evolúcie robotického tanca siedmich robotov, 

ktorí sú odlíšení farbou .............................................................................................................................. 54 

Obr. 18 Kinematika robota Nao: 25 stupňov voľnosti [6] ......................................................................... 55 

13

FEI KKUI 

Obr. 19 Kinematika robota Nao znázornená na jeho „kostre“ [6] ............................................................. 55 

Obr. 20 Genetický algoritmus systému, ktorý bol realizovaný v jazyku v Python: schéma jednotlivých 

časti algoritmu ........................................................................................................................................... 58 

Obr. 21 Kódovanie chromozómu ............................................................................................................... 60 

Obr. 22 Prostredie navrhovaného systému, v ktorom používateľ priradzuje fitness jednotlivým tancom 

robotov ....................................................................................................................................................... 60 

Obr. 23 Dva kroky vo všeobecnej schéme selekcie ................................................................................... 61 

Obr. 24 Schéma uniformného kríženia ...................................................................................................... 62 

Obr. 25 Inicializačná poloha robotov ......................................................................................................... 64 

Obr. 26 Po dokončení simulácie tanca sa po každom kroku evolúcie v konzolovom okne vypíše, že 

jednotlivé roboty ukončili pohyb ............................................................................................................... 65 

Obr. 27 Bity fenotypu, ktoré predstavujú nastavenie daných kĺbov robota v stupňoch ............................. 66 

14

FEI KKUI 

Zoznam tabuliek 

Tabuľka č. 1 Vlastnosti robota Naa: Všeobecné vlastnosti robota, stupne voľnosti, obsahujúce 

multimédiá a podporované programovacie jazyky (www.aldebaran-robotics.com) .................................. 51 

Tabuľka č. 2 Technické parametre robota Naa: kĺby a ich rozpätie v stupňoch ........................................ 56 

Tabuľka č. 3.: Nultá generácia hodnotiteľa č. 1. ........................................................................................ 66 

Tabuľka č. 4.: Prvá generácia hodnotiteľa č. 1. ......................................................................................... 67 

Tabuľka č. 5.: Druhá generácia hodnotiteľa č. 1. ....................................................................................... 67 

Tabuľka č. 6.: Tretia generácia hodnotiteľa č. 1. ....................................................................................... 68 

Tabuľka č. 7.: Štvrtá generácia hodnotiteľa č. 1. ....................................................................................... 68 

Tabuľka č. 8.: Piata generácia hodnotiteľa č. 1. ......................................................................................... 69 

Tabuľka č. 9.: Šiesta generácia hodnotiteľa č. 1. ....................................................................................... 69 

Tabuľka č. 10.: Siedma generácia hodnotiteľa č. 1. ................................................................................... 70 

Tabuľka č. 11.: Ôsma generácia hodnotiteľa č. 1. ..................................................................................... 70 

Tabuľka č. 12.: Nultá generácia hodnotiteľa č. 2. ...................................................................................... 71 

Tabuľka č. 13.: Prvá generácia hodnotiteľa č. 2. ....................................................................................... 71 

Tabuľka č. 14.: Druhá generácia hodnotiteľa č. 2. ..................................................................................... 72 

Tabuľka č. 15.: Tretia generácia hodnotiteľa č. 2. ..................................................................................... 72 

Tabuľka č. 16.: Štvrtá generácia hodnotiteľa č. 2. ..................................................................................... 73 

Tabuľka č. 17.: Piata generácia hodnotiteľa č. 2. ....................................................................................... 73 

Tabuľka č. 18.: Šiesta generácia hodnotiteľa č. 2. ..................................................................................... 74 

Tabuľka č. 19.: Siedma generácia hodnotiteľa č. 2. ................................................................................... 74 

Tabuľka č. 20.: Ôsma generácia hodnotiteľa č. 2. ..................................................................................... 75 

15

FEI KKUI 

Zoznam symbolov a skratiek 

DOF Degree of Freedom – stupeň voľnosti 

EC, EV Evolutionary Computation – evolučné výpočty 

ED Evolutionary Design – evolučný dizajn 

FL Fuzzy Logika 

GA Genetic Algorithms – genetické algoritmy 

GP Genetic Programming – genetické programovanie 

GUI Graphical User Interface – grafické používateľské rozhranie 

HR Humanoid Robotics – humanoidná robotika 

HRI Human–Robot Interaction – interakcia medzi človekom a robotom 

IE Interactive Evolution – interaktívna evolúcia 

IEC, IEV Interactive Evolutionary Computation – interaktívne evolučné výpočty 

IGA Interactive Genetic Algorithms – interaktívne genetické algoritmy 

NN Neural Network – neurónová sieť 

UI Umelá Inteligencia 

16

FEI KKUI 

Úvod 

17 

Ak by človek vznikol náhodou, 

život by nemal žiaden zmysel alebo význam. 

Morris, Henry M., 1918 – 2006, americký kreacionista 

Umelá inteligencia tvorí výpočtové systémy inšpirované rozličnými aspektmi života. 

Evolučné výpočty (ďalej EV, EC) sú biologicky podnietené počítačovo orientované vý- 

počtové prístupy, ktoré vychádzajú z Darwinovej teórie. 

Cieľom mojej diplomovej práce je teoreticky analyzovať tieto výpočtové prístupy 

a následne sa pokúsiť navrhnúť podobný systém v oblasti robotiky, konkrétne robotic- 

kého tanca. Používateľ ovplyvňuje vývoj tanečných pohybov robotov. Evolúcia bude 

vedená užívateľom, ktorý si vyberá z ponúknutých možných tanečných úsekov 

a takýmto spôsobom tvorí nový tanec. 

Tézy diplomovej práce sú uvedené v prvej kapitole. 

Navrhnutý systém robotického tanca využíva techniky umelej inteligencie ako sú 

evolučné algoritmy. Obsahom druhej kapitoly je prehľad použitia umelej inteligencie 

v humanoidných systémoch vo svete. Z prostriedkov umelej inteligencie sa zameriam 

práve na evolučné algoritmy a aplikačnú oblasť robotického tanca. 

V tretej kapitole zhrniem základné definície, vlastnosti, genetické operátory 

a zložky evolučných výpočtov. Uvediem ich fundamentálne charakteristiky a rozobe- 

riem ich výpočtové kroky. Druhá časť kapitoly sa špecializuje na oblasť interaktívnej 

evolúcie – predstavím interaktivitu, ktorú niektorí vedci nazývajú ideológiou, iní tech- 

nológiou. Človek sa vďaka interaktívnej evolúcii stáva tvorcom a systém plní funkciu 

prostriedku, ktorý mu to umožňuje. Následne rozviniem otázky súčasného výskumu, 

ktorých väčšina súvisí práve so spoluprácou človeka so systémom. 

V štvrtej kapitole je opísaný návrh systému využitia interaktívnych evolučných 

výpočtov pri evolúcii tanca a obsahom ďalšej, piatej kapitoly sú experimenty s týmto 

systémom a ich analýza. 

Moja diplomová práca je založená na preštudovaní viacerých publikácií svetovo 

najuznávanejších autorov v tejto oblasti.

FEI KKUI 

Úvod do teoretických základov je zväčša inšpirovaný prácou autorov, ktorí sú po- 

važovaní za zakladateľov a prvých výskumníkov evolučných výpočtov. Opis stavu vý- 

skumu evolučných algoritmov je založený na výsledkoch výskumu autorov, ktorí sa vo 

veľkej miere zaslúžili o vývoj a pokroky v tejto oblasti umelej inteligencie. Dovolím si 

predstaviť niektorých z nich: 

Peter J. Bentley prednáša na univerzite v Londýne a jeho výskum zahŕňa okrem 

evolučných algoritmov aj umelé imúnne systémy, kolónne a iné zložité systémy, apli- 

kované v rôznych oblastiach, vrátane dizajnu, riadenia, robotiky, nanotechnológie, bez- 

pečnosti a umenia. 

Richard Dawkins, etnológ, evolučný biológ a populárny vedecký autor, prednáša 

na univerzite v Oxforde a je tvorcom Biomorfickej Krajiny. 

David E. Goldberg je profesor na univerzite v Illinois a vedie laboratórium gene- 

tických algoritmov (IlliGAL). Jeho kniha „Genetic Algorithms for Search, Optimiza- 

tion, and Machine Learning“ je jedna z najcitovanejších publikácií v počítačovej vede. 

Hideyuki Takagi je profesor na Kyushu univerzite a patrí medzi popredných sú- 

časných vedcov zaoberajúcich sa interaktívnymi evolučnými výpočtami. 

John Holland bol expertom v počítačovom programovaní a pre IBM navrhoval 

prvú kalkulačku, popri návrhu ktorej si všimol, že medzi biológiou a výpočtovou vedou 

existuje prepojenie. Jeho kniha „The Genetic Theory of Natural Selection“ vstúpila do 

dejín vedy, lebo evolúcia bola opísaná ako motor pre adaptáciu. Keďže jeho teória fun- 

govala pre živé organizmy, prečo nie aj pre počítačové programy. Takto vznikla teória 

genetických algoritmov. 

Z oblasti humanoidnej robotiky ma najviac inšpirovali: 

Cynthia Breazeal, ktorá pôsobí v Media lab na MIT v Bostone, zakladateľka Per- 

sonal Robots Group. Vyvinula viaceré roboty – napríklad známeho spoločenského ro- 

bota, ktorý vyjadruje emócie – Kismeta. Jej výskum sa zameriava na rozvíjanie princí- 

pov, techník a technológií pre osobné roboty. Vyvinula rad robotických bytostí, ako sú 

malé hexapoidné roboty, zabudované robotické technológie do každodenných artefak- 

tov, ako je napríklad oblečenie alebo lampa, až po vysoko expresívnych humanoidov. 

Jej v súčasnosti prebiehajúci výskum zahŕňa rozvoj spoločensky inteligentných robotic- 

kých partnerov, ktorí komunikujú s ľuďmi, spolupracujú s nimi a tým sa od ľudí učia. 

18

FEI KKUI 

Rodney A. Brooks, vedúci MIT Computer Science and Artificial Intelligence La- 

boratory, zakladateľ Humanoid Robotics Group – je aj vo vedení známej spoločnosti 

iRobot Corp. 

Shuji Hashimoto, ktorý pôsobí na Waseda University v Japonsku, kde je od ro- 

ku 2000 riaditeľom Humanoid Robotics Institute. Medzi jeho záujmy patrí okrem hu- 

manoidnej robotiky aj spracovanie obrazu, hudobné systémy, neurónové siete 

a KANSEI inžinierstvo. 

Z nežijúcich osobností umelej inteligencie spomeniem meno: 

Alan Turing (1912 – 1954) – geniálny britský matematik, logik a kryptograf, 

ktorý je častokrát považovaný za otca modernej počítačovej vedy. Počas druhej svetovej 

vojny sa mu podarilo odhaliť tajomstvo šifrovacieho stroja Enigma. Spolu s kolegom 

Welchmanemom skonštruovali počítač na dešifrovanie správ. Niekoľko rokov pred 

smrťou zhotovil tzv. Turingov test. 

19

FEI KKUI 

1 Formulácia úlohy 

1.1 Ciele diplomovej práce 

Úlohou tejto diplomovej práce bolo: 

1) Vypracovať prehľad použitia umelej inteligencie v humanoidných systé- 

moch vo svete. 

2) Analyzovať teoretické východiská evolučných výpočtov. 

3) Realizovať teoreticko – experimentálnu analýzu problematiky evolučných 

výpočtov s dôrazom na interaktívne prístupy. 

4) Navrhnúť systém využitia interaktívnych evolučných výpočtov pri evolúcii 

tanca. 

5) Vytvoriť užívateľské rozhranie pre daný systém. 

6) Prezentovať demonštráciu výsledku evolúcie minimálne na dvoch tancoch 

a dvoch hodnotiteľov procesu. 

7) Vypracovať abstrakt v anglickom jazyku v rozsahu min. 7 strán 

s predpísanou osnovou. 

8) Vypracovať dokumentáciu podľa pokynov vedúceho diplomovej práce. 

1.2 Štruktúra diplomovej práce 

Práca je rozdelená do šiestich kapitol, v ktorých sú postupne realizované jednot- 

livé zadané úlohy. 

Kapitola 2. je rozdelená do troch častí, z ktorých prvá opisuje vý- 

skum humanoidnej robotiky a druhá sa sústreďuje na používanie prostriedkov umelej 

inteligencie v tejto oblasti. Cieľom tejto kapitoly je poskytnúť prehľad vývoja robotiky 

so zameraním na moderné inteligentné techniky riadenia a učenie spoločenských vzo- 

rov. Na základe preštudovanej literatúry sa pokúsim zhrnúť tradičné témy vo výskume 

humanoidnej robotiky od priemyselných a mobilných robotov po nové trendy v tejto 

oblasti, ktoré sa zameriavajú hlavne na interakciu medzi človekom a robotom. Posledná 

20

FEI KKUI 

časť tejto kapitoly sa orientuje konkrétne na robotický tanec a systémy tanca 

v humanoidnej robotike vo svete. 

V kapitole 3. je uvedený prehľad vlastností evolučných výpočtov, ich základné 

princípy a jednotlivé kroky evolučného algoritmu. Druhá časť tejto kapitoly vysvetľuje 

pojem interaktívna evolúcia a obsahuje prehľad o súčasnom výskume interaktívnych 

evolučných výpočtov. 

Návrh programového systému v oblasti interaktívneho robotického tanca je ná- 

plňou kapitoly 4., výsledky a vykonané experimenty sú uvedené v kapitole 5. Táto kapi- 

tola obsahuje stručný opis robota Naa a programovanie jednotlivých pohybov cez nasa- 

denie genetického algoritmu, až po následné zavedenie interaktívnej evolúcie do systé- 

mu, pomocou ktorej užívateľ ovplyvňuje vývoj tanečných pohybov robota. 

Obsahom kapitoly 5. je realizácia demonštračných experimentov na vyvíjanom 

systéme, kde jednotliví hodnotitelia vytvárajú tanečné choreografie. 

Posledná kapitola dokumentuje splnenie téz diplomovej práce a predkladá mož- 

nú budúcu prácu na systéme. 

Jadro predloženej diplomovej práce tvorí kapitola 4 – Návrh systému pre robo- 

tický tanec pomocou interaktívnej evolúcie. 

Súčasťou diplomovej práce sú prílohy: 

- prehľad humanoidných robotov (príloha A), 

- aplikácie interaktívnej evolúcie (príloha B), 

- výťah v anglickom jazyku (príloha C), 

- používateľská a systémová príručka (príloha D a E). 

21

FEI KKUI 

2 Úvod do humanoidnej robotiky 

2.1 Výskum humanoidnej robotiky 

Prírode sa nedá porúčať inak, než, že ju poslúchame. 

22 

Francis Bacon 

Absolútny sen umelej inteligencie je zhotoviť inteligenciu na ľudskej úrovni. Sen 

vyrobiť umelého človeka sa objavuje takmer v každej etape ľudskej histórie a aj v dneš- 

nej modernej kultúre. Postaviť humanoidného robota je výzva par excellence pre ved- 

cov pôsobiacich v oblastiach umelá inteligencia a robotika [3]. 

Vývoj výskumu v robotike za posledné polstoročie sa tvoril ako odpoveď na zme- 

ny v ľudských potrebách, od priemyselných robotov, ktoré nahrádzali ľudského operá- 

tora od rizikových alebo nebezpečných úloh, až po súčasnú explóziu najmä humanoid- 

nej robotiky (ďalej HR) a služobných robotov, ktoré asistujú človeku. Dnešný stav vo 

svete vo výskume HR sa pohybuje od oblastí zahrňujúcich pohyb po interakciu medzi 

robotom a človekom. 

Súčasná popredná oblasť robotiky, na ktorú sa orientuje výskum, sa nazýva slu- 

žobná a spoločenská robotika (v angl. service and social robotics), z dôvodu jej vše- 

obecného cieľa – približovať robotov bližšie k ľudom a ich, v prvom rade, spoločen- 

ským potrebám. Do spektra služobnej robotiky patrí medicínska a terénna robotika, 

konštrukčné a humanoidné roboty [5]. 

Humanoid (z anglického „human” – človek, ľudský a „–oid“ – podobný) je niečo, 

čo sa zjavom podobá na ľudskú bytosť. Pojem humanoid sa po prvý krát objavil v roku 

1912 označujúc skameneliny, ktoré boli morfologicky podobné, ale nie identické s ľud- 

skou kostrou [5]. Takéto používanie termínu humanoid bolo frekventované v 20. storo- 

čí, ale dnes sa slovo humanoid (humanoidný) vzťahuje vo všeobecnosti na čokoľvek s 

ľudskými vlastnosťami. 

V najširšom ponímaní humanoidný robot je robot, s výzorom napodobňujúcim 

ľudské telo, pripúšťajúc interakciu medzi ním a človekom. Jednotná definícia neexistu- 

je, ale podľa [1]: „Humanoidy sú stroje, ktoré majú tvar a funkcie ľudí.“

FEI KKUI 

Je dôležité oddeliť humanodiné roboty, ktoré napodobňujú človeka tvarom od po- 

kusov namodelovať „inteligenciu“ a správanie inšpirované ľudským – to znamená, roz- 

lišovať hardvér od softvéru. 

Mohlo by sa zdať, že softvér je dôležitejší, ale existuje viacero dôvodov, prečo by 

takýto robot mal mať aj ľudskú formu a tvar, v prípade, že chceme simulovať inteligen- 

ciu na ľudskej úrovni. Podľa Johnson a Lakoffa ako je uvedené v [1], tvar nášho tela je 

súčasťou reprezentácie nášho vnútorného modelu vonkajšieho sveta. Čiže, forma nášho 

tela je kritická vzhľadom k tomu, ako svet okolo seba chápeme, ako si ho interne myš- 

lienkovo reprezentujeme a potom tieto reprezentácie používame v myslení a napríklad 

v reči. Robot s ľudskou inteligenciou by mal mať aj človeku podobné telo, aby sa 

u neho vyvinula rovnaká, resp. podobná reprezentácia sveta. Aby robot získal skúse- 

nosti z interakcie s druhými ľuďmi, museli by s ním ľudia komunikovať ako 

s človekom. Z pozorovaní bolo zistené, že len málo ľudí komunikuje s robotom, ako by 

to bol človek. To sú niektoré dôvody, prečo je dôležité, aby humanoidné roboty mali 

tvar pripomínajúci ľudí. 

K časti modelovania inteligentného správania treba poznamenať, že je ťažké usta- 

noviť, čo sa myslí pod výrazom „správať sa ako človek.“ Zvyčajne sa tým myslí, že ro- 

bot by mal vykazovať správanie spôsobom, aby bežný ľudský pozorovateľ povedal, že 

sa správa viac ako človek než stroj 6 . 

Jeden z primárnych cieľov HR je vytvoriť roboty spôsobilé pracovať v širokej šká- 

le prostredí a schopné vysporiadať sa s neočakávanými situáciami. Humanoidné roboty 

sú dynamicky stabilné chodiace roboty. Autonómne bipedické roboty sa prvý krát obja- 

vili v roku 1967, keď Vukobratovic realizoval prvé experimenty [5]. Prvé bipedické ro- 

6 Čo sa týka „mentálnej“ časti návrhu robotov, Hashimoto navrhuje ignorovať prvé 

Asimovo pravidlo, tzv. prvý zákon robotiky, ktorý hovorí, že robot by mal byť napro- 

gramovaný tak, aby nikdy neublížil človeku 6 . Podľa Hashimota roboty by mali mať 

schopnosť rozhodovania sa aj v tom prípade, ak by došlo k takejto situácii. 

(http://www.physorg.com/news76185210.html) 

23

FEI KKUI 

boty boli veľmi zjednodušené stroje, ale neskorší vývoj viedol k sofistikovaným, ľah- 

kým a zručným robotom. 

Výskum sa podľa [5] postupne združil do týchto oblastí: 

– generovanie chôdze, 

– udržiavanie stability a 

– návrh robotov. 

Nasledujúci obrázok vyjadruje rozvoj robotického výskumu od roku 1960. 

Obr. 1 Evolúcia výskumu v robotike za posledných päťdesiat rokov podľa [5] 

Nové trendy v HR indikujú výskum smerom k schopnosti prirodzenej interakcie 

medzi humanoidom a ľuďmi, čo zahŕňa otázky bezpečnosti pri takejto spolupráci, až po 

schopnosti robota vyjadrovať emócie. Úmyslom je zaradiť humanoidné roboty do ľud- 

ského prostredia, konkrétne napríklad asistovať starším a invalidným osobám, zabaviť 

deti a komunikovať v prirodzenom jazyku. 

24

FEI KKUI 

Podľa [1] výskum interakcie medzi človekom a robotom zahŕňa nasledujúce témy: 

1) Priateľské rozhrania človek–robot, ktoré uľahčujú neskúseným užívate- 

ľom obsluhovať robota. Príkladom tejto kategórie je systém rozpoznáva- 

nia reči. 

2) Bezpečnosť interakcie človek–robot – návrh robota musí zahŕňať bezpeč- 

né ovládanie riadenia robota, ktoré minimalizuje riziká v prípade nekon- 

trolovaného pohybu a bezpečné plánovanie robotického pohybu. 

3) Vyjadrovanie emócií a vnímanie – výskum v tejto oblasti smeruje 

k vyvíjaniu aplikácií osobných a spoločenských robotov. 

4) Spoločenské učenie, kde sa uvažuje o nových prístupoch smerom k čoraz 

dôveryhodnejšiemu napodobňovaniu ľudských spôsobov. V kontraste so 

štatistickými prístupmi, nové učiace prístupy napomáhajú robotom sa 

rýchlo učiť novým schopnostiam a zvládať rozličné úlohy takými spô- 

sobmi ako prirodzenými inštrukciami od človeka alebo demonštráciami 

človeka robotovi. Takto vedené učenie robotov človekom zastrešuje uče- 

nie imitáciou a opaterou. 

Cieľom časti robotického výskumu, ktorá sa zaoberá interakciou medzi človekom 

a robotom (HRI – Human Robot Interaction), je prekonať spoločenskú bariéru medzi 

nimi. Nachádzame sa v procese vývoja robotov, ktorých súčasťou je ich vlastná osob- 

nosť. Pointou je, aby komunikácia a interakcia s robotmi bola čo najjednoduchšia 

a príjemná pre neskúsených používateľov a rovnako aj pre profesionálov a vedcov. Ke- 

by sa roboty správali viac ako ľudia, tak by sa ľudia pri interakcii s nimi nemuseli sprá- 

vať ako roboty. 

Výskum v oblasti HRI prináša úžitok v mnohých aplikačných oblastiach. Najvý- 

znamnejšie podľa [5] sú: 

1) asistencia pre chorých a invalidných ľudí, 

2) asistencia pri rutinných úlohách, ktoré z rôznych dôvodov nemôžu byť vy- 

konávané celkom automaticky, 

3) služobná robotika a 

4) zábavná robotika. 

25

FEI KKUI 

HRI je rastúca interdisciplinárna oblasť výskumu s narastajúcim množstvom apli- 

kácií, ktoré majú nielen významný ekonomický dopad, ale menia spôsob nášho života 

a druh vzťahu, aký si môžeme vybudovať so strojmi. Spoločnou métou vedcov je, aby 

roboty boli prístupnejším nástrojom – pomocníkom v ľudských domovoch a pri prá- 

cach, preto je potrebné vyvíjať techniky, ktoré pomáhajú zvyšovať mieru autonómnosti 

robotov a zlepšiť schopnosť prirodzenej interakcie robota s okolím – v neposlednom ra- 

de aj s človekom. 

Zlepšenia, dosiahnuté za posledné roky výskumu v tomto odbore, poskytli obrov- 

ské množstvo aplikácií použiteľných v každodennom živote, ako sú robotické psy 

a mačky, robotov ako sprevádzačov v múzeu, osobných robotických asistentov 

a podobne. Ide o roboty, pre ktorých spoločenská interakcia hrá kľúčovú úlohu – spolo- 

čenská preto, aby sme ich odlíšili od tradičnej interakcie človek–systém, aká je naprí- 

klad v teleoperačných úlohách. 

V súčasnosti sa táto časť robotického výskumu podľa [5] zameriava hlavne na vy- 

jadrovanie vlastností napodobňujúc ľudské spoločenské rysy, ako: 

1) vyjadrovanie alebo vnímanie emócií, 

2) komunikácia – vedenie dialógu na vysokej úrovni, 

3) učiť sa a rozpoznávať modely iných agentov, 

4) budovanie, resp. udržiavanie vzťahov, 

5) používanie prirodzených prostriedkov aj neverbálnej komunikácie (gestá, po- 

hľady), 

6) vykazovať osobitný charakter a vlastnú osobnosť, 

7) učiť sa alebo rozvíjať spoločenské kompetencie. 

Aplikačné spektrum spoločenských interaktívnych robotov je široké. Môžu sa po- 

užívať na rôzne účely: či už ako platformy na výskum, ako hračky, vzdelávacie nástroje 

alebo ako terapeutická pomoc. Všeobecný zmysel interaktívnych robotov spočíva vo 

fakte, že človek preferuje interagovať so strojmi rovnakým spôsobom ako interaguje 

s ľuďmi. Jedným z najdôležitejších cieľov v zábavnej oblasti robotiky je, aby interakcia 

užívateľov s robotmi nenudila – spontánnosť je zásadným prvkom. 

26

FEI KKUI 

Najdôležitejším dôvodom, prečo sa zaoberať vylepšením interakcie medzi člove- 

kom a robotom je, aby roboty ľudom pomáhali a uľahčili mnohé úlohy, ktorým ľudia 

každodenne čelia. Roboty, ktorých cieľom je čo najviac sa podobať ľuďom – fyzicky, 

a aj určitými schopnosťami, sa nazývajú androidi. Predpokladá sa, že do polovice tohto 

storočia prerastie výroba androidov automobilový priemysel vo veľkosti aj dôležitosti 7 . 

V prílohe A diplomovej práce je vypracovaný prehľad svetovo známych humano- 

idných robotov. 

2.2 Použitie prostriedkov umelej inteligencie v humanoidných 

systémoch 

Mnohé aspekty nášho života vyžadujú použitie inteligentných strojov schopných 

prevádzky za dynamickej interakcie s okolím. Práve použitie bipedických robotov je z 

tohto pohľadu zaujímavé. Humanoidné roboty ako antropomorfné chodiace stroje sú v 

prevádzke už viac ako dvadsať rokov. 

Aplikácie humanoidných robotov kladú čoraz vyššie požiadavky na inteligenciu 

robota. Inteligentné humanoidné roboty sú funkčne orientované zariadenia, stavané na 

vykonávanie úloh namiesto ľudí. Sú to autonómne systémy schopné extrahovať infor- 

mácie z okolia a používať svoje vedomosti o svete. Očakáva sa, že budú natoľko auto- 

nómne, aby sa bezpečne pohybovali zmysluplným a cieľavedomým spôsobom, to zna- 

mená, že by mali byť schopné prijímať popisy úloh na vysokej úrovni, špecifikovať, čo 

od nich užívateľ očakáva a vykonať úlohu bez ďalšieho zásahu človeka. 

V súčasnosti existuje viac ako päťdesiat veľkých projektov v doméne humanoidnej 

robotiky po celom svete, spolu s mnohými ďalšími projektmi týkajúcimi sa dvojnohej 

chôdze. Momentálne sa v tejto oblasti vo svete podľa internetovej stránky 

http://androidworld.com/ pracuje na 104 veľkých projektoch. Ich rozloženie podľa 

krajín veľmi neprekvapuje: v oblasti androidnej robotiky svetovo jednoznačne vedie Ja- 

ponsko, kde má miesto takmer polovica zo všetkých projektov, za ním sa v počte pro- 

7 http://www.androidworld.com 

27

FEI KKUI 

jektov umiestnili Spojené štáty americké a Južná Kórea. Z európskych krajín má zastú- 

penie Nemecko, Veľká Británia, Švédsko, Bulharsko, Taliansko a Španielsko. 

Obr. 2 Najväčšie projekty androidných robotov na svete podľa 

http://www.androidworld.com 

Prvý prístup, ako urobiť humanoida inteligentnejším, bola podľa [9] integrácia so- 

fistikovaných senzorických systémov, ako je napríklad počítačové videnie, hmatové 

vnímanie, laserové skenery a iné senzory. Dnešné senzory sú stále obmedzené čo sa tý- 

ka ich interakcií s okolím a prispôsobivosti sa na meniace prostredie. Dynamické zmeny 

a nestálosť prostredia sú veľkou výzvou v rozvoji spoľahlivých umelých systémov. 

Z druhého uhla pohľadu, navrhovať roboty a systémy, ktoré by sa bez problémov 

prispôsobovali svojmu prostrediu, zahŕňa potrebný výskum v rozličných oblastiach: 

mechanický návrh robota, tzv. inteligentná mechanika, systémy vnímajúce prostredie, 

inteligentné riadenie schopné vysporiadať sa so zložitosťou, multi – objektívne rozho- 

dovanie, veľké množstvo dát a taktiež podstatné množstvo heuristických informácií. V 

28

FEI KKUI 

prípade, keď robot vykonáva úlohu v neznámom prostredí, znalosť nemusí byť dostaču- 

júca. 

Vo všeobecnosti je spoločným cieľom HR, aby bol robot schopný prispôsobovať 

sa prostrediu a získavať nové znalosti počas procesu učenia. Výskum v HR poskytol 

riešenia niekoľkých klasických problémov robotiky, teórie riadenia a umelej inteligen- 

cie a odhalil rad nových problémov. Výskumníci ako napr. Rodney Brooks a Cynthia 

Breazel [3] implementujú do humanoidnej robotiky poznatky z oblastí ako je psycholó- 

gia, etológia, teória systémov, filozofia a lingvistika. 

Oblasť umelej inteligencie (ďalej UI) sa snaží, aby počítače boli schopné robiť ve- 

ci, ktoré, keby vykonávali ľudia, tak by boli považované za prejavy inteligencie. 

Cieľom UI podľa Brooksa [3] je: 

1) konštrukcia užitočných inteligentných systémov a 

2) pochopenie ľudskej inteligencie. 

V akademických kruhoch práca v oblasti robotiky ovplyvňuje výskum umelej inte- 

ligencie a naopak. Existujú samozrejme viaceré známe techniky, ktoré riešia problémy 

inteligentného riadenia v HR. Neurónové siete (ďalej NN), fuzzy logika (ďalej FL) a 

evolučné výpočty, ako je genetický algoritmus (ďalej GA), sa zaslúžili o rozvoj inteli- 

gentných riadiacich algoritmov. Vďaka ich silným učiacim a kognitívnym schopnos- 

tiam, dobrej tolerancii neurčitostí a nepresností a iným vlastnostiam sa uplatňujú 

v mnohých aplikáciách pokrokového riadenia humanoidných robotov. Taktiež, veľký 

význam v rozvoji efektívnych algoritmov majú hybridné techniky ako neuro – fuzzy 

systémy a fuzzy – neuro systémy, neuro – genetické algoritmy a fuzzy– genetické algo- 

ritmy, ktoré kombinujú vlastnosti jednotlivých spomínaných techník. Každá z nich má 

svoje výhody, ale aj nedostatky. Hybridné techniky – ich integrácia a syntéza (symbio- 

tická inteligencia) sú potrebné na efektívne aplikácie HR, pretože vďaka nim je možné 

predísť mnohým nedostatkom jednotlivých prostriedkov UI. 

Predchádzajúci výskum UI sa sústreďoval na hľadanie riešení čiastkových prob- 

lémov a na poskytovanie nástrojov ako sú napríklad neurónové siete, fuzzy logika, evo- 

lučné algoritmy alebo multiagentové systémy. Tento prístup viedol k vývoju mnohých, 

29

FEI KKUI 

viac či menej úspešných, stratégií riešení. Nasledujúci krok vo výskume UI je integrácia 

týchto nástrojov do celého systému, ako je aj robotika, s cieľom realizovať systém, kto- 

rý vykazuje črty inteligentného správania. 

2.2.1 Fuzzy logika v humanoidných systémoch 

Samozrejme, ciest, ktoré vedú do rovnakého cieľa je mnoho. Použitie fuzzy logiky má 

množstvo výhod: 

(1) fuzzy systém je založený na lingvistických premenných – z toho vyplýva, že 

návrh systému, ako aj následne mu porozumieť je jednoduché, 

(2) programátor ľahko pridá alebo odoberie pravidlá a sleduje dôsledok, až kým 

dosiahne želaný výsledok, 

(3) pri modelovaní napríklad emócií a emocionálnych modelov, na rozdiel od kla- 

sických prístupov, ktoré sú zamerané na precízne vnútorné modelovanie, fuzzy systém 

sa zameriava na dosiahnutie želaného správania, čo je hlavným záujmom v HRI, 

správanie, 

(4) zmeny nastávajú hladko, výsledkom čoho je prirodzené a životu – podobné 

(5) poskytuje vhodné prostriedky na modelovanie a spustenie rozmanitých stavov 

robota (napríklad emócií, modelov správania a podobne), 

(6) softvér pre fuzzy systém sa implementuje priamo. 

Medzi hlavné nevýhody použitia fuzzy systémov patrí: 

(1) vysoká výpočtová náročnosť, 

a najmä 

(2) neschopnosť sa učiť, 

preto sa často kombinujú s neurónovými sieťami. 

V prílohe A sú uvedené reálne aplikácie fuzzy logiky v modelovaní správania hu- 

manoidných robotov. 

30

FEI KKUI 

2.2.2 Neurónové siete v humanoidných systémoch 

Neurónové siete sa osvedčili v syntéze a off–line a on–line adaptácii bipedickej chôdze. 

Ďalšia aplikácia NN v humanoidnej robotike je udržiavanie statickej a dynamickej rov- 

nováhy počas chôdze a behu najmä v nestálom teréne. 

Výhody neurónových sietí by sme mohli zhrnúť do týchto bodov: 

1) schopnosť sa učiť, 

2) sú všeobecným aproximátorom analytickej funkcie, 

3) schopnosť zovšeobecňovať, z čoho vyplýva, že spracovávajú veľké množstvo 

dát do redukovaného počtu výstupov, 

4) robustnosť voči chybám siete: vysoká redundancia spojení a uzlov, vzájomná 

nezávislosť uzlov, 

5) schopnosť hľadať suboptimálne riešenia v krátkom čase, 

6) schopnosť spracovať veľké množstvo vstupných premenných. 

Neurónové siete majú nasledujúce nevýhody: 

1) neprehľadnosť vnútorných štruktúr siete, 

2) spôsob mapovania je nejasný, 

3) nastavovanie parametrov učenia môže spôsobiť problémy, 

4) častá nutnosť opätovného preučenia, 

5) pomalá konvergencia s nejasným koncom. 

Tieto nevýhody sa dajú potlačiť kombináciou NN s inými technikami, vytvárajúc 

rôzne typy interakcií jednotlivých prostriedkov UI. 

Prvý učiaci sa systém na svete pre humanoidné roboty používajúci NN bol vyvinu- 

tý v laboratóriách Fujitsu [5]. Táto technológia je založená na CPG (Central Pattern 

Generator) sieťach. CPG oscilátor je sieť neurónov generujúcich rytmickú pohybovú 

vzorku. Bipedická chôdza sama tvorí kapitolu výskumu s množstvom aplikácií, časť 

ktorých využíva neurónové siete. 

31

FEI KKUI 

Autori [10] sa venujú interakcii medzi malým humanoidným robotom a 

užívateľom, ktorú dosiahli implementáciou dynamického modelu neurónovej siete. Ich 

hlavnou motiváciou bolo, aby správanie robota alebo pohybové vzory boli získané 

adaptívne prostredníctvom interakcie s používateľom, namiesto generovania preddefi- 

novaných pohybov. Ďalej by sa roboty učili správaniu synchrónne s interakciou s užíva- 

teľmi. Interakcie by boli podobné páru salsa tanečníkov, ktorí improvizujú a striedajú 

jednotlivé tanečné vzory. V podstate ide o nový model učenia imitáciou pomocou reku- 

rentnej neurónovej siete. Experimenty vykonávali na malom humanoidnom robotovi 

QRIO (SDR– 4X II) od firmy Sony. 

2.2.3 Evolučné prístupy v humanoidných systémoch 

Evolúcia predstavuje silný nástroj pre riadenie zložitých systémov adaptívnym 

spôsobom. Evolučné systémy, ako GA alebo GP sú vhodné pre riadenie zložitých sys- 

témov. 

Vo svete UI je známe použitie evolučných algoritmov na generovanie trajektórie. 

Hlavnou príčinou využitia EA pri návrhu systémov generujúcich bipedický pohyb je ich 

implementácia v prípadoch, keď nie je možné vytvoriť kompletný dynamický model 

daného systému, alebo je pre praktické použitie príliš zložitý. 

Ak sa jedná o akýkoľvek typ návrhu, resp. dizajnu niečoho, pri manuálnom dizaj- 

ne výsledný produkt alebo proces môže byť len taký dobrý, ako je fantázia dizajnéra. 

GA však umožňujú návrhárom zhodnotiť každý možný spôsob realizácie procesu, ktorý 

existuje v rámci prehľadávacieho priestoru. Zatiaľ čo mnohé z týchto riešení budú ne- 

praktické (lebo prehľadávací priestor obsahuje riešenia, ktoré sú teoreticky možné, bez 

ohľadu na praktickosť), neskoršie ohodnotenie zabezpečí, že budú prehodnotené všet- 

ky možné riešenia. 

Jedna z markantných výhod evolučných techník je fakt, že sú založené na teórii 

vyvíjania optimalizácie ako reakcia na meniace sa prostredie. GA preto predstavujú ná- 

stroje na dosiahnutie vysokého stupňa adaptácie. 

Hlavný problém aplikácií evolučných techník, ako je GA, v HR predstavuje zvlád- 

nutie procesu optimalizácie v reálnom čase. 

32

FEI KKUI 

2.3 Tanec v humanoidnej robotike 

33 

Tanec je skrytý jazyk duše 

Martha Graham, 1894 – 1991, americká tanečná choreografka 

Tanec sa považuje za istý duchovno – umelecký pohybový smer, predstavuje po- 

hybovú formu vyjadrenia pocitu, ale v zásade je tanec životný prejav. Je to určitá forma 

výrazu, v rámci ktorého sa využívajú rytmické pohyby tela. Prostredníctvom pohybu 

človek spoznáva, vyjadruje pocity a komunikuje. 

Humanoidné roboty sa, ako je uvedené v 2.1, čoraz viac podobajú na človeka tva- 

rom a schopnosťami. Tento vývoj motivuje vedcov navrhovať tancujúce roboty, schop- 

né napodobniť zložitosť a štýl ľudských tanečných choreografií. Tancujúce roboty sú 

úspešné v spoločenskej oblasti, kde ich využitie vyžaduje interakciu človeka s robotom. 

Napriek tomu, že použitie HR v zábavných aplikáciách zaznamenáva rozmach, ta- 

nečné predstavenia robotov sú vo veľkej miere reprodukcie dopredu navrhnutých pohy- 

bov, ktoré publikum po čase prestanú baviť. 

Pokiaľ väčšina aplikácií tanečných robotov chápe tanec ako generovanie pohybu, 

niektorí vedci sa zameriavajú na tanec ako na generovanie umeleckého výrazu – naprí- 

klad identifikujúc faktory v tanci, ktoré ľudia vnímajú ako pekné. Jeden zo spôsobov 

tejto identifikácie je interaktívna evolúcia (ďalej IE), počas ktorej používateľ hodnotí 

jednotlivé časti tanečnej choreografie na základe svojho vkusu. 

Aucouturier z University of Tokyo [2] rozdelil aplikácie robotického tanca do 

troch skupín: 

1) Situovaná znalosť (angl. Situated Knowledge): Pohľad na znalosť ako na dy- 

namickú reprezentáciu akcií, skôr ako faktov, zahŕňa učenie pochopením 

spôsobov ako robiť, cítiť alebo hýbať sa – často pozorovaním akcií iných. 

Schopnosť mapovať takéto akcie z jedného tela na druhé je kľúčovým kom- 

ponentom inteligencie. Kolektív okolo Katsushiho Ikeuchika [2] ukázal, 

akým spôsobom môže robot imitovať ľudského tanečníka adaptovaním po- 

hybov do jeho architektúry motorov, ktoré pozoruje. 

2) Symbolické uzemnenie/ukotvenie (angl. Symbolic grounding): Pretože tanec 

mapuje zvuky na pohyby, načrtáva problém budovania stabilných senzomo-

FEI KKUI 

torických vzorov nad rozličnými postupmi. Tetsuya Ogata, Hideki Kozima a 

Hiroshi Okuno [2] získali takéto štruktúry pozorovaním okolia. Vyvinuli 

systém, ktorý sa učí zvukové aj pohybové znaky simultánne. Týmto spôso- 

bom mapovanie odráža súlad v reálnom svete. 

3) Spoločenská inteligencia (angl. Social Intelligence): Prostredníctvom tanca 

je možné študovať spoločenské interakcie a spôsob, akým ich môže telo dať 

najavo. Marek Michalowski a Hideki Kozima [2] uvažujú o rytmickej imitá- 

cii ako o predpoklade interakcie. Čistá imitácia nie je dostatočná na udržanie 

interakcie – je potrebný aj určitý stupeň kreativity. 

Existujú pokusy implementácie spoločenskej stránky robota a jeho dynamiky po- 

mocou deterministického chaosu [2]. Hlavnou motiváciou je skutočnosť, že spoločen- 

sky inteligentný robot by mal rozoznať a vedieť sa vyrovnať so zmenami jeho ľudských 

partnerov a konať v závislosti od týchto zmien. 

Kolektív [12] s cieľom predísť rozdielom v kinematike človeka a robota, vyvíja 

paradigma, nazvanú učenie pozorovaním (angl. LFO: Learning from Observation), kde 

robot pozoruje akcie človeka, rozpoznáva, čo človek vykonáva a mapuje rozpoznané 

akcie na svoje pohyby – robotické akcie s cieľom napodobniť pohyby človeka. Ich ro- 

botický systém zaznamenal úspech, schopný tanca s ľudským profesionálnym taneční- 

kom v reálnej rýchlosti. 

Obr. 3 Tancujúci robot : učenie pozorovaním od užívateľa 

(LFO: learning from observation) podľa [12] 

34

FEI KKUI 

Vedci z Južnej Kórei (Korea Institute of Science and Technology) [14] vyvinuli 

humanoidného robota Mahru so zabudovanou umelou inteligenciou, ktorý je vybavený 

rozličnými schopnosťami – okrem iných, dokáže tancovať. Robot má systém na zazna- 

menávanie pohybu, ktorý povoľuje napodobňovať akcie človeka ako napríklad mávanie 

ramenom. 

Obr. 4 Tancujúci Robot Mahru z Južnej Kóreii [14] 

SDR– 4X je malý bipedický robot určený pre zábavný priemysel s rozšírenými 

schopnosťami pre rozmanitosť pohybových predstavení. Vedci v [2] vyvinuli progra- 

mový systém s cieľom jednoducho produkovať kreatívny pohyb, ktorý zahŕňa stabilnú 

chôdzu a tanečné kroky synchronizované s hudbou. 

Obr. 5 Vývojové prostredie robota SDR– 4X vyvinuté autormi uvádzanými v [2] 

Japonskí vedci z Tohoku University [14] navrhli robota, ktorý dokáže viesť člo- 

veka v tanci. Kazuhiro Kosuge, Takahiro Takeda a Yasuhisa Hirata zostrojili humano- 

idného tanečného partnera, ktorý dynamicky reaguje na sily a činy vykonávané vedením 

ich partnera. Vo väčšine koordinačných systémoch typu človek– robot, sa roboty pohy- 

bujú pasívne vzhľadom k silovým momentom vyvíjaných človekom. Tieto systémy sú 

35

FEI KKUI 

postačujúce pre jednoduché úlohy, ale keby boli roboty schopné aktívneho pohybu 

vzhľadom k ľudským zámerom, informáciám prostredia, znalostiam úlohy a podobne, 

realizovali by efektívnejšie koordinačné úlohy. Štúdium takejto aktívnej koordinácie 

človeka a robota zamerali na vytvorenie robota, ktorý tancuje s ľudským partnerom. 

Obr. 6 Robot ako tancujúci partner vyvinutý na Tohoku University [14] 

Každý typ spoločenského tanca (napr. valčík, tango, rumba, atď.) sa skladá 

z krokov – sekvencie separovaných pohybových vzorov. Pri spoločenskom tanci muž- 

ský partner vedie ženskú partnerku a rozhoduje o nasledujúcom kroku. Ich robotická ta- 

nečná partnerka sa správa ako ľudská – odhaduje nasledujúci krok, ktorý jej ľudský 

partner zamýšľa vykonať na základe jeho vedenia a realizuje krok v aktívnej koordiná- 

cii s ním. Robot má zabudovaný senzor na meranie, akou silou ho vedie človek. 

Vo svete existujú viaceré varianty modelovania robotického tanca, pričom nové 

prístupy sa čoraz viac zameriavajú na to, aby vývoj tanca nebol len generovanie do- 

predu naprogramovaných pohybov, ale istý typ interakcie medzi robotom a užívateľom. 

To je aj hlavná myšlienka mojej diplomovej práce. 

36

FEI KKUI 

Sme schopní veľkých vecí. A nepochybujem, že bytosti, 

ktoré nás budú nasledovať, budú schopné ešte väčších. 

37 

Evolúcia sa s nami nezastavila... 

Evolúcia môže pokračovať do nekonečna. 

Gene Roddenberry, 1921– 1991, americký scenárista a futurológ 

3 Úvod do evolučných výpočtov so zameraním 

na interaktívnu evolúciu 

3.1 Základné teoretické východiská evolučných výpočtov 

„Evolučné výpočty sú celé o hľadaní. Keď používame prehľadávací algoritmus 

v počítačovej vede a v umelej inteligencii, definujeme výpočtový problém v medziach 

prehľadávacieho priestoru, ktorý môže byť označený ako obrovská kolekcia potenciál- 

nych riešení problému. Bežne používaný výraz v tomto kontexte je „optimalizácia“, čo 

jednoducho znamená nájdenie „dobrého“. Napríklad, ako prehľadávanie knižnice na 

nájdenie knihy, ktorá najlepšie spĺňa naše požiadavky“ [13]. 

Evolúcia je kontroverzný pojem, vnímaný v mnohých významoch. Niekedy tak- 

mer akákoľvek zmena je považovaná za podobu evolúcie a inokedy sa evolúciou nazý- 

va len veľmi prísne ohraničený špecifický proces, ktorý má svoje miesto v genetických 

systémoch, respektíve v biologickej evolúcii. 

V kontexte výpočtovej vedy sa na evolúciu možno pozerať dvojakým spôsobom: 

1) ako na cieľ, so snahou namodelovať a pochopiť ju a 

2) ako na nástroj, slúžiaci na riešenie úloh. 

Základné zložky EC sú [4]: 

1) prirodzený výber, selekcia: silnejší jedinci s vyššou pravdepodobnosťou prežitia 

vstupujú do reprodukčného procesu častejšie, kde schopnosť prežiť sa rovná funkcii 

vhodnosti, tzv. fitness;

FEI KKUI 

2) náhodný genetický drift: náhodné udalosti ovplyvňujú populáciu v čase (napr. 

mutácia genetického materiálu jedinca alebo smrť jedinca pred tým, ako vstúpi do rep- 

rodukčného procesu); 

3) reprodukčný proces: vznik nových jedincov populácie kombináciou genetické- 

ho materiálu rodičovských jedincov. 

Genetické operátory sú: 

1) Reprodukcia: proces, pri ktorom sú indivíduá kopírované vzhľadom na funk- 

ciu vhodnosti (fitness). To znamená, že jedinec s vyššou hodnotou má vyššiu pravdepo- 

dobnosť prispieť jedným alebo viacerými potomkami v nasledujúcej generácii, podobne 

ako v prírode, kde prežíva silnejší jedinec. 

(2) Kríženie: proces, v ktorom novo– reprodukovaní jedinci sú náhodne spájaní 

a každý pár si parciálne vymení informáciu. 

(3) Mutácia: operácia, pri ktorej sa zmení hodnota niektorého génu na novú ná- 

hodnú prípustnú hodnotu. 

Obr. 7 Reprodukcia dvoch chromozómov a následná mutácia ich potomka [4] 

EC pracuje s populáciou chromozómov, kde v každom z nich je zakódované určité 

riešenie problému, vlastnosť, čiže genotyp a vytvorí sa konkrétne riešenie, ktoré pred- 

stavuje fenotyp. Možné konkrétne hodnoty daného génu reprezentujú alely. Pre vývoj 

procesu je nevyhnutné, aby sa v nových genotypoch vyskytovali variácie alebo mutácie 

s istou frekvenciou výskytu. 

Evolučné výpočty, respektíve evolučné algoritmy (EA) je spoločné pomenovanie 

pre počítačové výpočtové systémy, ktoré riešia danú problematiku, a ktoré používajú 

38

FEI KKUI 

výpočtové modely evolučných procesov ako kľúčové elementy pri ich návrhu a imple- 

mentácii. 

Hlavné rozdiely medzi jednotlivými typmi EC sú: 

1) v reprezentácii jedincov, 

2) v spôsobe ohodnotenia jedincov – výpočtu vhodnosti a 

3) v genetických operátoroch. 

Pojem evolučné výpočty zastrešuje techniky: 

(1) Genetické algoritmy (ďalej GA), ktoré v roku 1975 navrhol Holland 

a opísal ako adaptívne správanie základných foriem života, neskôr Goldberg ako nástroj 

na riešenie optimalizačných úloh a Beasley ako adaptívne metódy, ktoré môžu byť vyu- 

žité na riešenie prehľadávacích a optimalizačných úloh. 

Hlavné ciele ich tvorcu, Hollanda, boli: (1) zhrnúť a vysvetliť adaptívne procesy prí- 

rodných systémov a (2) navrhnúť umelé systémy, ktoré si ponechávajú dôležité mecha- 

nizmy prírodných systémov. 

GA pozostáva vo všeobecnosti z nasledujúcich krokov: 

1) Náhodné generovanie počiatočnej populácie (v mnohých prípadoch sú už známe 

poznatky o riešení, ktoré sa použijú na usmernenie tohto generovania). 

2) Hodnotenie jedincov. 

3) Test splnenia podmienok (dosiahnutie požadovanej hodnoty fitness alebo stano- 

veného počtu generácií): 

a) ak sú ukončovacie podmienky splnené, dostávame riešenie, 

b) ak nie, cyklus pokračuje ďalej selekciou (výberom) skupín chromozó- 

mov do ďalšej generácie. 

4) Kríženie a mutácia. 

5) Vznik novej generácie a skok na krok (2). 

GA sa používajú s neurónovými sieťami a fuzzy logikou na riešenie zložitejších 

úloh. Ich veľký úspech podnietil výskumníkov takým spôsobom, že si požičali ďalšie 

koncepty z prírody a aplikovali ich v počítačových vedách. GA umožňujú vyhľadávanie 

39

FEI KKUI 

v enormných priestoroch riešení. Používajú sa aj ako klasifikačné alebo triediace systé- 

my a na nájdenie optimálneho vektora parametrov (váh) pre NN. 

(2) Genetické programovanie 8 , ktoré vychádza z GA, ale na rozdiel od týchto 

algoritmov je reprezentované pomocou štruktúrovaných stromov funkcií namiesto re- 

ťazcov bitov. Tie hierarchicky zobrazujú štruktúru genetického reťazca (informácie) a 

umožňujú jednoduché a rýchle spravovanie genetických programov (vzorcov). 

Koncové uzly v strome patria do koncovej (terminálnej) množiny, ktorá predsta- 

vuje množinu možných uzlov tvoriacich listy stromu, ostatné sú vetvy. Terminálna 

množina sa skladá z programových vstupov (premenných) a fixných čísel (môže to byť 

náhodné číslo) a neterminálna množina obsahuje funkcie a operátory. 

Obr. 8 Príklad reprezentácie GP funkcie +(– (0,5),/(PI,*(a,b))) 

Programový systém GP môže byť mutovaný vybraním náhodného uzla 

a zmenením jeho funkcie alebo hodnoty. Ďalšia možnosť je nahradiť jeho celý „pod- 

strom“ náhodnými uzlami. Kríženie je implementované vybraním náhodného „pod- 

stromu“ každého rodiča a ich zámenou u potomka. Veľkosť stromu málokedy ostáva 

rovnaká po mutácii a krížení. 

Ďalšia odlišnosť v porovnaní s GA je, že reťazce sú dynamické (nezávislé od 

veľkosti reťazcov a populácie), čo predstavuje podstatnú výhodu. 

8 Samozrejme, viacerí autori majú rôzny názor, ktoré techniky pojem evolučné výpočty zastrešuje. 

Napríklad podľa Schwefela sa genetické programovanie a učiace klasifikačné systémy oddialili od filozo- 

fie evolučných výpočtov. 

40

FEI KKUI 

(3) Evolučné programovanie, ktoré je možné stručne definovať ako techniku 

určenú na prehľadávanie priestoru, kde sa dôraz kladie na operátor mutácie a nezahŕňa 

sa rekombinácia (výber je pravdepodobnostný). 

(4) Evolučné stratégie, ktoré sú definované ako algoritmy na numerickú opti- 

malizáciu, kde je kladený dôraz na mutáciu a zároveň na rekombináciu (výber je deter- 

ministický). 

(5) Učiace klasifikačné systémy (Learning classifier systems), čo sú učiace 

vzory, v ktorých sa agent učí úlohu evolúciou populácií pravidiel a kde je prítomný ge- 

netický algoritmus. Konečná populácia klasifikátorov reprezentuje aktuálnu znalosť 

systému, kde GA zlepšuje aktuálne riešenie hľadaním lepších klasifikátorov. 

3.2 Interaktívna evolúcia 

41 

Keby medzi všetkými svetmi nebol jeden lepši, 

ako tie ostatné, potom by Boh nikdy žiaden nestvoril. 

Gottfried Wilhelm von Leibniz 

Podľa [13] existujú dva typy cieľových systémov používaných na systémovú op- 

timalizáciu: 

1) systémy, v ktorých hodnotiace funkcie je možné vyjadriť numericky – alebo 

aspoň kvantitatívne a 

2) systémy, u ktorých je veľmi ťažké, niekedy nemožné, tieto optimalizačné pa- 

rametre špecifikovať, vyjadriť, ako je napríklad ohodnotenie hudby a iných ume- 

leckých diel. Kritériá pri takýchto systémoch sú subjektívne, to znamená, že sú 

závislé od konkrétneho posudzovateľa. Existuje množstvo oblastí, nielen umelec- 

ké a estetické, ale aj inžinierske a vzdelávacie, kde výstupy systému závisia od 

preferencií, zmyslov, emócií a porozumení človeka. V interaktívnych evolučných 

výpočtoch je funkcia vhodnosti nahradená ľudským užívateľom.

FEI KKUI 

Obr. 9 Proces GA a IGA [13] 

Hideyuki Takagi [13] rozdeľuje definície IEC na: 

1) užšia definícia IEC: technológia, ktorá pomocou EC optimalizuje cieľový sys- 

tém na základe subjektívnej hodnotiacej funkcie človeka, ktorou je funkcia vhodnosti 

pre výstupy daného systému a 

2) širšia definícia IEC: technológia, ktorá optimalizuje cieľový systém s použitím 

interaktívneho rozhrania medzi človekom a počítačom. 

Viacerí vedci sa zhodujú v tom, že technológie, ktoré majú blízko k ľudom, ako je 

aj interaktívny evolučný výpočet (ďalej IEC) predstavujú nasledujúci krok vo výpočto- 

vých technológiách. 

Proces interaktívnej evolúcie je z istého pohľadu možné vykresliť ako: 

1) systém, ktorý pripúšťa interaktívnu spoluprácu používateľa a počítača ako spô- 

sob produkcie nových výstupov pomocou princípov evolúcie, aj ako. 

krásu. 

2) systém, ktorý sa učí od používateľa „estetickosti“, ľudskej schopnosti vnímať 

Dnešný výskum IEC zahŕňa aj možnosť: 

3) systém, ktorý pomáha používateľovi s objavovaním kreativity. 

42

FEI KKUI 

IEC je optimalizačný nástroj, ktorý využíva kooperáciu človeka a počítača, to 

znamená, že v časti cyklu (2) hodnotenie jedincov (viď podkapitolu 3.1) je subjektívne 

hodnotenie získané od človeka (funkcia vhodnosti) ako hodnotenie vzdialenosti medzi 

vlastnou predstavou a výstupom optimalizačného procesu v psychologickom priestore. 

Na druhej strane, IEC pracuje v priestore parametrov a dochádza k premapovaniu medzi 

týmito priestormi. IEC hľadá v priestore parametrov globálne optimum (jedná sa skôr o 

oblasť, ako konkrétny bod priestoru prehľadávania). 

GA teda používa dva separované priestory: prehľadávací priestor a priestor rieše- 

ní. Prehľadávací priestor je priestor kódovaných riešení úlohy a priestor riešení je prie- 

stor aktuálnych riešení. Kódované riešenia alebo genotypy musia byť zobrazené na ak- 

tuálne riešenia alebo fenotypy, predtým ako môže byť hodnotená vhodnosť. 

Ľudia majú okrem tradičných znalostí aj množinu vlastností ako sú emócie, intuí- 

cia, preferencie, pocity, vnemy a rôzne iné psychologické funkcie, ktoré dostali pome- 

novanie KANSEI (z japonského slova 感性工学 kansei kougaku: zmyslové inžinier- 

stvo). Slovo KANSEI je interpretované rôzne, a nepoužíva sa len v súvislosti 

s dizajnom. Podľa [7] KANSEI nadobúda viac významov (subjektívny efekt, ktorý nie 

je možné opísať len slovne; kognitívny koncept, ovplyvnený znalosťou, skúsenosťami a 

vlastnosťami jednotlivca; vzájomná interakcia medzi intuíciou a intelektuálnou aktivi- 

tou; citlivosť vnímania aspektov ako je krása a tvorba obrazov). 

Hodnotiaca funkcia v IEC začleňuje subjektívne ohodnotenie, čiže KANSEI, do 

optimalizačného systému. V prípade užívateľa, ktorý navrhuje tanec, tento užívateľ má 

vo svojej mysli určitú predstavu, pocit, obraz. K jeho uspokojeniu dochádza, keď finál- 

ny produkt splnil jeho predstavu. V umení a dizajne, KANSEI je jeden 

z najdôležitejších elementov, pretože jeho výstupom je kreativita. Je dokázané, že sprá- 

vanie človeka pri tvorení diela nie je založené na logike, ale na KANSEI. 

Protikladom je slovo CHISEI, ktoré znamená inteligenciu, správanie založené na 

logickom podklade. KANSEI a CHISEI majú rovnakú silu pri ľudskom konaní. Väčšina 

dizajnérov sa doteraz zameriavala na CHISEI, z dôvodu, že KANSEI bol považovaný 

za celkom subjektívny fenomén, keďže každý jednotlivec vníma skutočnosti rozdielne. 

Masová výroba nebrala do úvahy individuálne preferencie a pocity, čo je príčina, prečo 

43

FEI KKUI 

dizajn nevnímal KANSEI. Súčasným trendom je, že funkčné požiadavky sú riešené 

CHISEIom, čiže logickou znalosťou technológie, ale splnenie emocionálnych potrieb, 

vrátane krásy, upriamuje pozornosť na KANSEI. 

3.3 Problematika interaktívnych evolučných výpočtov 

Inžiniersky prístup pri návrhu softvéru vedie k takému prístupu, kde vnútorná 

štruktúra programu je navrhnutá tak, aby bola čo najviac prístupná užívateľovi, čím sa 

paradoxne celý softvér stáva menej prístupným, pretože tým sa komplikuje užívateľské 

rozhranie. Napríklad, namiesto toho, aby sme manipulovali so vzhľadom obrázku, na- 

stavujeme jeho parametre. Často sa používa opačný prístup, kde všetky parametre sú 

užívateľovi skryté a užívateľ sa sústredí len na zlepšovanie/dosiahnutie želaného výstu- 

pu. 

Súčasný výskum interaktívnych evolučných výpočtov je zameraný práve na ich 

spriatelenie sa s človekom a na uľahčenie ich vzájomnej spolupráce. 

Z pohľadu hľadania spôsobov, ako zlepšiť výkon optimalizácie IGA, sa výskum 

orientuje hlavne na riešenie týchto problémov: 

(1) redukovanie únavy používateľa (user´s fatigue) a 

(2) zabezpečenie rozmanitosti populácie na zlepšenie schopnosti algo- 

ritmu bádania. 

V momente, keď ľudský operátor prichádza do kontaktu s vytrvalým počítačo- 

vým systémom a hodnotí jedincov EC, proces IEC nemôže pokračovať vo veľkom 

množstve generácií. 

Známy je prístup, keď sa systém učí proces užívateľových subjektívnych hodno- 

tení a čiastočne alebo celkom nahrádza užívateľov v ich hodnotení, v niektorých alebo 

všetkých hodnotených vhodností jedincov v primeranom čase tak, aby sa redukoval čas 

strávený užívateľmi pri hodnotení jedincov. Rozšírený je prístup, v ktorom sa zavádzajú 

neurónové siete. Neurónové siete sa učia subjektívne hodnotiť človeka a nahrádzajú 

užívateľov v ohodnocovaní fitness jedincov alebo funkcie vhodnosti sa hodnotia pomo- 

cou NN v IGA. V rôznych fázach sú zavedené rôzne NN na učenie hodnotení užívate- 

ľov a potom NN nahradzuje užívateľa v tomto procese. Známy je aj koncept génových 

44

FEI KKUI 

častí a hodnotenie celkovej vhodnosti hodnotením jednotlivých vhodností génových 

častí. 

Alternatívou alebo doplňujúcou metódou na minimalizáciu užívateľskej únavy je 

aj zrýchlenie konvergencie EC (zlepšenie schopnosti lokálneho prehľadávania). Ohsaki 

a Takagi [13] publikovali metódu, ktorá spočíva v aproximácii prehľadávanej plochy 

použitím konvexnej krivky. V niektorých prípadoch postačuje aj možnosť vývoja EC 

technológie, ktorá prehľadáva a konverguje s malou populáciou. Taktiež prichádza do 

úvahy metóda, v ktorej sa priamo manipuluje s najlepším jedincom, keď sa populácie 

vyvinuli do určitej fázy aplikáciou istej hierarchie v populácii. 

Dôležitý je aj návrh programového rozhrania tak, aby bolo jednoduché 

a atraktívne pre používateľa. 

45

FEI KKUI 

„Umelec je nádoba emócií, ktoré prichádzajú zo všetkých možných miest: 

z oblohy, zo zeme, z útržka papieru, z nestálosti tvaru... „ 

46 

Pablo Picasso, španielsky maliar 

4 Návrh systému pre robotický tanec pomocou 

interaktívnej evolúcie 

4.1 Motivácia 

Pri tvorbe robotického tanca je možné použiť rôzne prístupy. Môže to byť naprí- 

klad len prevedenie dopredu vygenerovaných, resp. naprogramovaných pohybov. Na 

druhej strane sú známe aj prístupy, keď robot pozoruje tanečné kroky od ľudského ale- 

bo iného robotického partnera a tým sa ich sám učí. V niektorých aplikáciách sa berie 

do úvahy aj hudba – pohyb robota sa generuje v závislosti od hudby alebo naopak, typ 

hudby na základe predvedeného pohybu. 

V tejto práci je na generovanie pohybu – tanca – humanoidného robota použitý in- 

teraktívny genetický algoritmus. Interaktívny prístup v návrhu tanca umožňuje človeku 

– užívateľovi ovplyvňovať vývoj tanca, čiže tvoriť tanečnú choreografiu. Chromozómy 

predstavujú tanečné kroky, respektíve sekvencie tanečného celku, ktoré evolúciou vy- 

tvoria celý tanec. Užívateľ hodnotí jednotlivé sekvencie, to znamená, že definuje fitness 

jedincov – vyberá si, akým spôsobom sa tanec uberá. 

Hlavným dôvodom výberu interaktívnej evolúcie je fakt, že vhodnosť úseku tanca 

určuje človek vstupujúci do procesu hodnotenia. Človek takýmto spôsobom zasahuje do 

evolučného prístupu a každý výsledný stav systému, v závislosti od konkrétneho užíva- 

teľa, je jedinečný. Závisí od vkusu a preferencií jednotlivého človeka, ktorý prichádza 

do interakcie s robotickým systémom. Takýmto spôsobom vznikajú originálne tanečné 

kreácie. 

4.2 Navrhované riešenie 

V tejto podkapitole je uvedený základný koncept navrhovaného riešenia.

FEI KKUI 

Obr. 10 Schéma navrhovaného riešenia 

Evolučné algoritmy (EA) sú prírodne inšpirované prehľadávacie algoritmy založe- 

né na Darwinovej teórii prirodzeného výberu. Na začiatku sa náhodným spôsobom vy- 

generuje niekoľko potencionálnych riešení problému – vytvorí sa populácia jedincov. 

V navrhovanom systéme počiatočná populácia predstavuje chromozómy, predstavujúce 

nastavenia kĺbov robota, ktoré sú náhodne vygenerované z intervalu prípustných hodnôt 

rozpätia pre daný kĺb. 

V ďalšom kroku sa riešenia – jedince ohodnotia. Túto úlohu vykonáva človek – 

používateľ systému. Na jednoduchom GUI ohodnotí predvedené tance robotov na stup- 

nici od 1 do 5. Ak sekvencia tanca dostane známku 1, je k nej v evolučnom algoritme 

priradená najvyššia fitness – miera vhodnosti alebo úspešnosti daného reťazca alebo je- 

dinca. Takto sa porovnajú ohodnotenia všetkých tancov – jedincov. Ako bolo spomína- 

né, na ohodnocovanie jedincov sa používa fitness funkcia, resp. funkcia vhodnosti, kto- 

rá každému jedincovi priradí fitness – vhodnosť. Fitness je vyjadrenie, ako dobre, alebo 

do akej miery, vie daný jedinec problém riešiť. V interaktívnej evolúcii je tento krok 

pozmenený oproti klasickému genetickému algoritmu, keďže vhodnosť jedinca určuje 

človek. 

Aplikovaním genetickým operátorov, ako sú mutácia a kríženie, sa vytvára nová 

generácia, v ktorej majú najvyššiu pravdepodobnosť rozmnožovať sa jedince 

47

FEI KKUI 

s najvyšším ohodnotením. Pri výbere do novej generácie síce majú najvyššiu pravdepo- 

dobnosť prežitia najúspešnejšie jedince, ale istú šancu majú aj menej úspešné jedince. 

V mojej aplikácii interaktívnej evolúcie robotického tanca človek hodnotí odtan- 

covanú časť tanca na siedmich robotoch – porovnáva, ktorý robot na základe jeho vlast- 

ných preferencií odtancoval lepšie a ktorý horšie a ohodnotí ich známkami od 1 do 5 

(obr. 11). Na hodnotiacej tabuľke je farebne oddelené hodnotenie robotov, v závislosti 

od toho, akej farby sú v simulácii, aby užívateľ vedel, ktorého robota hodnotí. 

Po ohodnotení tanečnej sekvencie užívateľ stlačí tlačidlo evolution a tým sa spustí 

genetický algoritmus, ktorý je bližšie popísaný v podkapitole 4.4. 

Obr. 11 GUI, na ktorom užívateľ ohodnotí na základe vlastných preferencií predvedený 

tanec robotov na stupnici od 1 (najlepší tanec) do 5 (tanec sa v ďalšom kroku nebude 

vôbec brať do úvahy ) 

Proces končí, keď sa dosiahne želaný výsledok, resp. keď sa užívateľ rozhodne. Po 

istom čase evolučný algoritmus konverguje smerom k podobným tancom. 

Navrhnutý systém robotického tanca sa skladá z dvoch častí. 

1) Prvá časť predstavuje samotný evolučný algoritmus, ktorý je napísaný 

v jazyku Python a výstupom z neho je chromozóm obsahujúci nastavenie 

jednotlivých kĺbov robota. 

48

FEI KKUI 

2) Druhá časť riešenia návrhu je realizovaná v simulačnom prostredí We- 

bots, ktorého podrobnejší popis je uvedený v podkapitole 4.3. Výsledný 

tanec je ukázaný na siedmich robotoch, ktorých sekvencia tanečných kro- 

kov predstavuje sedem najlepších jedincov z evolúcie. 

Pri navrhovaní systému robotického pohybu sa často využívajú simulátory, na kto- 

rých sa navrhovaný systém vyvíja a testuje. Aj keď by bolo experimenty najvhodnejšie 

vykonávať priamo na reálnych robotoch, pretože reálny robot je najlepší model samého 

seba, ktorému sa simulovaný robot iba blíži, ale z časových, finančných a realizačných 

dôvodov sa často experimentuje v simulácii. Vyvíjanie systému robotického tanca 

priamo na hardvérovej implementácii by nieslo riziko poškodenia nákladného technic- 

kého vybavenia – teda jeden z krokov návrhu systému je vývoj simulátora robotického 

prostredia. 

Webots po prebehnutí evolúcie, realizovanej v jazyku Python, načíta výstupný sú- 

bor s fenotypom. V tomto simulátore je namodelované prostredie so siedmimi robotmi 

a každý z nich sa pohybuje podľa svojho načítaného fenotypu. Načítanie súboru 

s fenotypom a samotné nastavenie kĺbov počas jednotlivých úsekov tanca je 

v simulačnom prostredí riešené v jazyku C++. 

Poslednou úlohou pri návrhu systému je hľadanie správnych parametrov evoluč- 

ného algoritmu (napríklad miery kríženia a mutácie). 

Celkový postup riešenia je možné zhrnúť do týchto bodov: 

1. implementácia genetického algoritmu, 

2. realizácia simulátora robotov, 

3. realizácia experimentov. 

49

FEI KKUI 

Obr. 12 Navrhnutý systém: evolučný algoritmus vygeneruje súbor s fenotypmi obsahu- 

júci informáciu o nastavení jednotlivých kĺbov robotov, ktorý načíta simulátor 

a vykoná pohyb 

V ďalších častiach práce podrobne popíšem každý z jednotlivých bodov návrhu 

riešenia. Robot Nao a simulátor robotov bude popísaný v časti diplomovej práce 4.3. 

Popis genetického algoritmu, resp. interaktívnej evolúcie je uvedený v podkapitole 4.4. 

Experimenty sú prezentované v kapitole 5. 

4.3 Humanoidný robot Nao a simulácia jeho tanca 

Cieľom diplomovej práce je, aby človek pomocou interaktívnej evolúcie vytváral 

tanečnú choreografiu špeciálne humanoidných robotov Naov. 

Nao je autonómny a programovateľný humanoidný robot, vytvorený francúzskou 

firmou Aldebaran Robotics 9 . Meria 0.57m a váži 4.5 kg. Je schopný chodiť plynulo 

rôznymi smermi a dosahuje rýchlosť 3 km/h [6]. 

9 www.aldebaran-robotics.com/en/ 

50

FEI KKUI 

. 

Obr. 13 Robot Nao: reálna podoba 

Nao bol navrhnutý tak, aby vyzeral priateľsky pre verejnosť, čo je výsledkom štu- 

dentského projektu francúzskej školy Dizajnu a manažmentu Creapol. Aldebaran Robo- 

tics podľa [6] momentálne pracuje na vývoji algoritmu, ktorý by bol schopný rozpozná- 

vať pohyby ramien. Predpokladá sa, že potom bude Nao schopný opakovať pohyby člo- 

veka. 

Tabuľka č. 1 Vlastnosti robota Naa: Všeobecné vlastnosti robota, stupne voľnosti, obsahujúce 

multimédiá a podporované programovacie jazyky (www.aldebaranrobotics.com) 

Všeobecné vlastnosti 

Stupne voľnosti 

Multimédiá 

51 

Výška ~ 58 cm 

Váha ~ 4.3 kg 

Kapacita batérie ~ 90 min (v autonómnom 

stave ) 

Hlava 2 

Rameno 5 v každom 

Trup 1 

Noha 5 v každej 

Ruka 1 v každej 

Reproduktory 2 

Mikrofóny 4

FEI KKUI 

52 

Videnie 2 kamery 

Napojenie na sieť: Wifi, Ethernet 

Programovacie jazyky C, C++, URBI, Python 

Ako už bolo spomínané, pri generovaní systému pohybu, sa často používajú simu- 

látory robota, čo je v podstate 3D model robota, resp. viacerých robotov, ktorý v čo naj- 

vyššej miere simuluje fyzikálne správanie reálneho robota. 

Medzi známe robotické simulátory patrí napríklad: 

– Microsoft Robotics Studio, 

– PyRo, 

– Choreographe, 

– Gostai Urbi Studio a 

– Webots. 

V tejto práci som pohyb som najprv skúšala implementovať v prostredí Choreog- 

raphe, ale nevýhoda tohto simulátora je, že obsahuje iba model jedného robota Naa. 

Opis simulátora a ukážky zdrojových kódov sú uvedené v systémovej príručke. 

Na tvorbu tanca interaktívnou evolúciou som potrebovala prostredie, ktoré by pri- 

púšťalo možnosť zobrazenia viacerých robotov, preto som simuláciu realizovala 

v simulátore Webots.

FEI KKUI 

Obr. 14 Vývojové prostredie simulátora Choreographe 

Webots 10 je vývojové prostredie, ktoré slúži na modelovanie, programovanie a si- 

mulovanie mobilných robotov (http://www.cyberbotics.com/products/webots/). 

Obr. 15 Vývojové prostredie simulátora Webots 

Užívateľ môže pomocou Webotsu navrhnúť zložité robotické prostredia, s jedným 

alebo viacerými, podobnými alebo odlišnými robotmi. Vlastnosti každého objektu, ako 

je tvar, farba, textúra, hmotnosť, trenie, atď. sú vybrané užívateľom. Každého robota je 

možné vybaviť rôznymi snímačmi a akčnými členmi. Webots používa viac ako 650 

univerzít a výskumných centier vo svete. 

Spracovanie simulácie robotického tanca v prostredí Webots obnáša, ako je pre 

všeobecný prípad znázornené na obrázku 16., konkrétne pre navrhovaný systém tieto 

kroky: 

1) navrhnúť vlastný svet – prostredie so siedmimi robotmi, 

2) program v jazyku C++, kde je riešené načítanie súboru vyprodukovaného evo- 

lučným algoritmom a 

3) následne na základe načítaného súboru vykonanie samotného tanca – simulá- 

cia a prípadne v budúcnosti aj: 

4) transfer na reálne roboty. 

10 www.cyberbotics.com/products/webots/ 

53

FEI KKUI 

Obr. 16 Kroky práce so simulátorom Webots: model, program, simulácia a transfer na 

reálne roboty (www.cyberbotics.com/products/webots/) 

Simulátor má vlastný „programovací jazyk“ na zadefinovanie prostredia – tzv. 

sveta – je to súbor .wbt na CD. Algoritmus návrhu modelu zhrniem do nasledujúcich 

krokov: 

1) Nastavenie pohľadu – pozície a orientácie osí x, y a stupňov z pohľadu užívateľa. 

2) Nastavenie pozadia – farby a jednotlivých svetiel dopadajúcich na model. 

3) Vytvorenie modelov jednotlivých robotov. 

Výsledný model sveta je znázornený na obrázku 17. 

Obr. 17 Zhotovené prostredie vo Webotsi na simuláciu evolúcie robotického tanca 

siedmich robotov, ktorí sú odlíšení farbou 

Roboty si načítajú svoje súbory, ktoré sú výstupom evolučného algoritmu a na 

základe nich vykonajú pohyb. 

54

FEI KKUI 

Nao má 25 stupňov voľnosti. Na obrázkoch č. 18 a 19 je znázornená jeho kine- 

matika s prehľadom všetkých kĺbov, ktoré je možné otáčať alebo inak uviesť do pohy- 

bu: 

Obr. 18 Kinematika robota Nao: 25 stupňov voľnosti [6] 

Obr. 19 Kinematika robota Nao znázornená na jeho „kostre“ [6] 

Pri programovaní je dôležité dbať na prípustné rozpätie každého kĺbu robota 

Naa, ako je uvedené v tabuľke 2: 

55

FEI KKUI 

Tabuľka č. 2 Technické parametre robota Naa: kĺby a ich rozpätie v stupňoch 

Časť Možný pohyb (os) Rozsah (v stupňoch) 

A. 

Hlava 

B. 

Ľavá 

ruka 

C. 

Ľavá 

noha 

D. 

Pravá 

noha 

E. 

Pravá 

1. Otočenie hlavy (zakrútenie) (Z) – 120 / 120 

2. Sklon hlavy (dopredu a dozadu) (Y) – 39 / 30 

3. Sklon ramena (dopredu a dozadu) (Y) – 120 / 120 

4. Naklonenie ramena (naľavo a doprava) (Z) 0 / 95 

5. Naklonenie lakťa (zakrútenie) (X) – 90 / 0 

6. Otočenie lakťa (Z) – 120 / 120 

7. Otočenie zápästia (X) – 105 / 105 

8. Dlaň (otvorenie– zatvorenie) otvorená/zatvorená 

9. Otočenie bedra (vykrútenie) (Z) – 44 / 68 

10. Sklon bedrového kĺbu (dopredu a dozadu) (Y) – 104.5 / 28.5 

11. Naklonenie bedra (naľavo a doprava) (X) – 25 / 45 

12. Sklon kolena (Y) – 5 / 125 

13. Sklon členka (dopredu a dozadu) (Y) – 70.5 / 54 

14. Naklonenie členka (naľavo a doprava) (X) – 45 / 25 

15. Otočenie bedra (vykrútenie) (Z) – 68 / 44 

16. Sklon bedrového kĺbu (dopredu a dozadu) (Y) – 104.5 / 28.5 

17. Naklonenie bedra (naľavo a doprava) (X) – 45 / 25 

18. Sklon kolena (Y) – 5 / 125 

19. Sklon členka (dopredu a dozadu) (Y) – 70.5 / 54 

20. Naklonenie členka (naľavo a doprava) (X) – 25 / 45 

21. Sklon ramena (dopredu a dozadu) (Y) – 120 / 120 

22. Naklonenie ramena (naľavo a doprava) (Z) – 95 / 0 

56

FEI KKUI 

ruka 23. Naklonenie lakťa (zakrútenie) (X) 0 / 90 

24. Otočenie lakťa (Z) – 120 / 120 

25. Otočenie zápästia (X) – 105 / 105 

26. Dlaň (otvorenie– zatvorenie) otvorená/zatvorená 

4.4 Implementácia genetického algoritmu 

57 

Tí, ktorí sú inšpirovaní iným modelom ako Prírodou, 

vládnucou všetkým pánom, márne sa snažia. 

Leonardo Da Vinci 

Keby sme mali vystihnúť hlavnú charakteristiku GA, za najdôležitejšiu myšlienku 

by sme asi zvolili, že pracujú s populáciou viacerých riešení, kde pôsobením genetic- 

kých operácií kríženia a mutácie priebežne vznikajú úspešnejšie a menej úspešné rieše- 

nia – pričom úspešné, čiže lepšie riešenia majú väčšiu šancu byť vybrané, postupovať v 

evolúcii ďalej a odovzdávať svoje vlastnosti ďalším generáciám, na úkor menej úspeš- 

ných jedincov, ktoré zanikajú [14]. 

Cyklus GA sa začína množinou riešení, ktoré sa nazývajú populácie. Riešenie je 

reprezentované chromozómom. Veľkosť populácie je väčšinou zachovávaná v každej 

generácii. Vhodnosť každého chromozómu sa ohodnocuje a potom sa vyberajú chromo- 

zómy pre budúce generácie podľa ich fitness hodnoty. Niektoré z vybraných chromo- 

zómov sa náhodne krížia a produkujú potomstvo. Pri tvorbe potomstva môže dôjsť 

k náhodnej mutácii jedinca. 

Vzhľadom k tomu, že chromozómy s vysokou hodnotou fitness majú vysokú 

pravdepodobnosť, že budú vybrané do ďalšej generácie, chromozómy novej generácie 

majú spravidla vyššiu priemernú fitness ako staršie generácie (čo ale nemusí platiť 

vždy). Proces evolúcie sa opakuje až pokiaľ je splnená koncová podmienka. 

Na obrázku č. 20 je schéma cyklu krokov genetického algoritmu.

FEI KKUI 

Obr. 20 Genetický algoritmus systému, ktorý bol realizovaný v jazyku v Python: 

schéma jednotlivých časti algoritmu 

Na implementáciu genetického algoritmu bol v navrhovanom systéme použitý 

programovací jazyk Python z niekoľkých dôvodov. Ide o interpretovaný, interaktívny, 

objektovo–orientovaný a dynamicky napísaný programovací jazyk. Vo väčšine prípa- 

dov sú chromozómy vyjadrené ako zoznamy alebo reťazce (stringy). Takže väčšinou sú 

operácie v GA operáciami na zoznamoch alebo reťazcoch. Python je ideálny jazyk pre 

implementáciu genetických algoritmov, pretože je flexibilný, expresívny a dobre čita- 

teľný. Podporuje viac programovacích paradigiem – ako napríklad možné použitie pro- 

cedurálneho, funkčného a objektovo–orientovaného programovania – záleží od úlohy, 

pre ktorú možnosť sa programátor rozhodne. Pri GA sa najčastejšie používa funkcionál- 

ne programovanie, pretože chromozómy sú vyjadrené ako zoznamy alebo reťazce. 

Niektoré výhody jazyka Python sú: 

1) elegantná syntax, 

2) ľahko sa učí, 

3) vhodný na veľké projekty, ako aj na vzdelávacie účely, 

4) program nepotrebuje kompiláciu, resp. vytvorenie makefilu, takže progra- 

movanie je rýchle a 

5) debugovanie je ľahké. 

V systémovej príručke sú uvedené ostatné výhody. 

58

FEI KKUI 

4.4.1 Chromozóm 

Jedinci populácie sú reprezentovaní chromozómami, čo sú lineárne reťazce symbolov. 

Chromozóm je každé riešenie úlohy a v genetickom algoritme je tvorené binárnym re- 

ťazcom o danej dĺžke, ktorá je väčšinou, ako aj v navrhnutom systéme, rovnaká pre 

všetky chromozómy danej populácie. 

Populácia je potom konečná množina chromozómov: 

P ={x1, x2, ..., xp } 

{ , , , ,... } 

x ∈ α β χ δ 

Každý chromozóm populácie je ohodnotený pozitívnym reálnym číslom, ktoré sa 

nazýva fitness, vhodnosť alebo sila. 

Pre spresnenie pojmov ich zhrniem: 

f :P → R+ 

– Chromozóm, niekedy nazývaný jedinec, reprezentuje genotyp organizmu. 

– Fenotyp je súhrn všetkých vonkajších znakov a vlastností jedinca, čiže je to 

samotná realizácia genotypu. 

Vzájomný vzťah medzi genotypom, fenotypom a fitness by mohol byť reprezen- 

tovaný postupnosťou dvoch zobrazení: 

59 

n 

[ 0, ) 

G fenotypF fitness ∞ 

uuuur uuuur 

V navrhovanom systéme fenotyp predstavujú samotné predvedené kroky sekven- 

cie tanečného pohybu. Robot Nao má 25 „motorov“, stupňov voľnosti, ktoré sa môžu 

nejakým spôsobom nastavovať, meniť a pomocou ich zmeny vznikajú rôzne pozície, 

v konečnom dôsledku pohyb. 

Keby sme pracovali so všetkými a nastavovali do jednej polohy, tak by chromo- 

zóm v genetickom algoritme mal dĺžku 25 „génov“. Jednotlivé kĺby a ich rozpätie v uh- 

loch je uvedené v tabuľke 2. Ak by sme uvažovali o prístupe, kde by sme menili jednu 

polohu kĺbu do druhej, chromozóm by bol dvakrát taký dlhý. 

Gén v chromozóme teda predstavuje nastavenie kĺbu. Keďže kĺby u robota Naa 

majú rozličné uhlové rozpätia, je potrebné ich normalizovať. V jazyku Python normali- 

zácia vyzerá nasledovne: 

parents[i][j] = normalize(chromosome[i][j],– 120,120,0.0,1.0)

FEI KKUI 

Popis konkrétnych častí fenotypu je uvedený pri experimentoch v kapitole 5. 

4.4.2 Meranie vhodnosti 

Spolu: 20 bitov 

A: 1. pozícia kĺbov hlavy 

B: 1. pozícia kĺbov ľavej ruky 

C: 1. pozícia kĺbov pravej ruky 

D: 2. pozícia kĺbov hlavy 

E: 2. pozícia kĺbov ľavej ruky 

F: 2. pozícia kĺbov pravej ruky 

Obr. 21 Kódovanie chromozómu 

Pri používaní EA meranie fitness predstavuje ohodnocovanie jednotlivých jedincov, to 

znamená, že meraním vhodností ovplyvňujeme celý výsledok algoritmu. V navrhova- 

nom systéme (ako bolo už spomínané), človek hodnotí tance predvedené robotmi, čiže 

im priradzuje fitness. 

Obr. 22 Prostredie navrhovaného systému, v ktorom používateľ priradzuje fitness jed- 

notlivým tancom robotov 

60

FEI KKUI 

4.4.3 Selekcia 

Selekcia je výber rodičov, ktorí produkujú potomkov – teda jedincov, ktorí vstupujú do 

reprodukcie. Je to šanca na reprodukciu (šanca reprodukcie) spojená s vhodnosťou je- 

dinca. Jedinec s vyššou vhodnosťou (lepšie riešenie) by mal mať rovnakú alebo väčšiu 

šancu ako jedinec s menšou vhodnosťou. 

Vo všeobecnosti je schéma selekcie: 

Obr. 23 Dva kroky vo všeobecnej schéme selekcie 

Tri základné typy vzorkovania sú: 1) založené na očakávaných hodnotách – ore- 

zanie, 2) turnaje a 3) náhodný výber. 

Ako selekčná metóda bola v systéme použitá metóda binárny turnaj, pri ktorej sa 

náhodným spôsobom vyberú dvaja jedinci z populácie, budú medzi sebou súťažiť, pri- 

čom ide o súťaž rodičov. 

Elitizmus znamená, že najlepšie riešenie populácie sa automaticky bez akejkoľ- 

vek zmeny prenáša do novej generácie. 

4.4.4 Genetické operátory 

Genetické operátory sú prostriedky, ktoré zabezpečujú reprodukciu – ich aplikáciou 

vznikajú potomkovia. 

V systéme sa pracuje s dvoma genetickými operátormi: 

1) 1 rodič (asexuálny) – mutácia a 

2) 2 rodičia (sexuálny) – kríženie. 

Premapovanie vhodnosti 

Vzorkovanie 

Pri krížení sa z dvoch jedincov vytvorí nový jedinec. Pri binárnej reprezentácii je- 

dinca sú najpoužívanejšie: 1) jednobodové kríženie, 2) dvojbodové kríženie, 3) n– 

bodové kríženie a 4) uniformné kríženie, ktoré bolo v navrhovanom systéme zvolené. 

61

FEI KKUI 

V tomto type kríženia sa generuje maska, ktorú predstavuje reťazec rovnakej dĺžky ako 

je dĺžka jedincov. Na každom mieste masky sa náhodne vygeneruje hodnota 0 alebo 1 

a určí sa, že v prípade, ak je na mieste v maske 0, vyberie sa do potomka hodnota z pr- 

vého jedinca a keď 1, z druhého jedinca. 

Obr. 24 Schéma uniformného kríženia 

Pri asexuálnych genetických operátoroch je na vytvorenie nového jedinca potrebný 

len jeden jedinec. Mutácia sa urobí na každom potomkovi zvlášť po krížení. Všetky gé- 

ny sú s nízkou pravdepodobnosťou náhodne pozmenené – inak povedané, mutácia mení 

jedinca a vytvára nového a vždy vytvára nový genetický materiál. Mutácia zabezpeču- 

je, aby žiaden bod priestoru riešení nemal nulovú pravdepodobnosť prehľadania. Miera 

pravdepodobností kríženia a mutácie je analyzovaná v kapitole 5. 

Nastaveniu parametrov evolúcie sa bližšie venuje nasledujúca kapitola. 

62

FEI KKUI 

Ak nenájdeme nič vznešené, aspoň by sme mali nájsť niečo nové. 

63 

Voltaire, Candide 

5 Realizácia demonštračných experimentov na 

vyvíjanom systéme 

5.1 Návrh experimentov 

Na úvod zhrniem parametre genetického algoritmu ktoré boli použité 

v jednotlivých experimentoch: 

1) Veľkosť populácie.................................................... 7 

(keďže je 7 robotov, na ktorých sa realizuje tanec) 

Počiatočné populácie môžu byť jednoducho predefinované pomocou nástrojov 

mutácie a kríženia, napríklad jedinci sa radikálne zmenia nastavením miery mutácie na 

vysokú hodnotu. Hoci len mutácia v genotype v malej miere môže spôsobiť obrovské 

zmeny vo fenotype. 

2) Kríženie jedinca ....každý jedinec podľa náhodne vygenerovanej masky 

Kríženie je veľmi nápomocné v priebehu prvých generácií, ale viac škodiace, ako 

nápomocné v neskorších generáciách, pretože najlepšie chromozómy sa časom stávajú 

veľmi podobnými. Keď sa potomok stáva najlepším jedincom, existuje veľká pravde- 

podobnosť, že jeho genotyp pochádza z jedinca, ktorý bol v predchádzajúcej generácii 

najlepší, takže sa budú veľmi málo odlišovať a kríženie má v tomto prípade minimálny 

vplyv. 

3) Pravdepodobnosť mutácie...............................................................80%, 

ale len v malom okolí génu (2 – 10%) 

Malá miera mutácie znamená, že existuje malá šanca, že fenotyp bude zmenený.

FEI KKUI 

4) Veľkosť turnaja........................................................... 2 (binárny turnaj) 

5) Dĺžka chromozómu............ závisí od počtu kĺbov, ktoré nastavujeme 

Ak neuvažujeme o pohybe nôh, je to 20 bitov. 

Na ilustráciu experimentov uvádzam obrázky, znázorňujúce stav tanca 

v jednotlivých generáciách evolúcie. Inicializačná poloha robotov je znázornená na ob- 

rázku 25.: 

Obr. 25 Inicializačná poloha robotov 

Úlohou používateľa je spustiť evolučný algoritmus a simulačné prostredie We- 

bots, v ktorom sleduje tanečné sekvencie robotov. Po odtancovaní jednej časti tanca 

hodnotí príslušných robotov na vytvorenom GUI a evolučný algoritmus vytvorí novú 

populáciu. 

Po dokončení simulácie tanca sa po každom kroku evolúcie v konzolovom okne 

vypíše, že jednotlivé roboty ukončili pohyb (v angl. controller has terminated), ako je 

znázornené na obrázku 26. 

64

FEI KKUI 

Obr. 26 Po dokončení simulácie tanca sa po každom kroku evolúcie v konzolovom ok- 

ne vypíše, že jednotlivé roboty ukončili pohyb 

V nasledujúcich experimentoch sú uvedené výsledky pri generovaní robotického 

tanca robotov. Ich výsledkom je konečný tanec, ktorý sa dosiahol hodnotením jednotli- 

vých častí tancov užívateľmi. 

5.2 Experimentálne výsledky generovania robotického tanca 

5.2.1 Časti fenotypu 

Pozorovať ako tancujeme je počúvať, čo hovoria naše srdcia. 

65 

Indiánske príslovie 

Dĺžka fenotypu pri tomto tanci je 20. Neuvažujeme o nohách robota a pracuje sa 

len s jeho hornou časťou: s hlavou a rukami. Fenotyp robota je napríklad: 

[62, -33, -68, 72, -88, -37, -42, -57, 2, 63, -79, -31, 94, 17, -101, -83, -21, -20, 75, 72] 

Tieto čísla v tomto tanci predstavujú nastavenie týchto kĺbov (inak povedané serv 

alebo motorov) robota v poradí ako je uvedené.

FEI KKUI 

1. Pozícia kĺbu HeadYaw 

1. Pozícia kĺbu HeadPitch 

1. Pozícia kĺbu leftShoulderPitch 

1. Pozícia kĺbu leftShoulderRoll 

1. Pozícia kĺbu rightShoulderRoll 


1. Pozícia kĺbu leftElbowYaw 

1. Pozícia kĺbu rightElbowYaw 

1. Pozícia kĺbu leftElbowRoll 

Obr. 27 Bity fenotypu, ktoré predstavujú nastavenie daných kĺbov robota v stupňoch 

5.2.2 Hodnotenie subjektu č. 1 a evolúcia fenotypov 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

66 

1. Pozícia kĺbu rightElbowRoll 

2. Pozícia kĺbu HeadYaw 

2. Pozícia kĺbu HeadPitch 

2. Pozícia kĺbu leftShoulderPitch 

2. Pozícia kĺbu leftShoulderRoll 

Tabuľka č. 3.: Nultá generácia hodnotiteľa č. 1. 



2. Pozícia kĺbu leftElbowYaw 

2. Pozícia kĺbu rightElbowYaw 

Nultá generácia Známka 

120,38,-33,30,15,-72,-45,-53,18,22,-97,-5,-43,30,65,-11,21,-45,85,32 

-49,-22,67,41,-32,-72,-89,-95,-120,72,-54,-13,-102,16,-27,-58,-25,-91,-53,16 

-90,0,7,74,-7,0,72,-20,-54,46,77,18,10,94,4,-6,61,-44,-120,78 

-60,-10,-39,47,-55,-2,-81,-17,86,45,63,37,-33,28,-78,-36,-26,-45,101,45 

-67,39,-80,44,-5,-42,-40,-31,100,52,19,31,-42,27,-58,0,-30,-42,-18,18 

119,7,-82,84,-67,-34,-56,-82,-92,49,3,5,34,80,82,-90,21,-26,114,59 

57,-7,-53,64,-44,-1,-87,-11,-80,66,66,41,-23,21,-14,-46,-45,-58,90,45 

1 

2 

4 

4 

2 

5 

3 

2. Pozícia kĺbu leftElbowRoll 

2. Pozícia kĺbu rightElbowRoll

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 4.: Prvá generácia hodnotiteľa č. 1. 

Prvá generácia Známka 

31,28,49,15,-38,-21,113,-55,13,84,94,39,-43,25,-98,-58,101,-19,77,5 

46,10,70,22,16,-34,91,-64,19,63,112,45,-33,23,-89,-67,116,-21,52,2 

31,28,49,15,-38,-21,113,-55,13,84,94,39,-43,25,-98,-58,101,-19,77,5 

48,-20,-65,23,18,-30,103,-55,45,67,115,-23,-35,13,-87,-2,115,-58,63,1 

36,-11,16,89,109,-77,61,-7,111,64,92,-14,51,81,-63,-21,83,-20,-36,0 

101,23,-32,47,120,-23,9,-5,-85,29,-108,21,-80,29,-78,-58,-47,-27,-54,59 

106,41,-46,29,-61,-11,12,-86,-5,79,83,0,110,73,26,-19,-114,-74,-6,21 

Tabuľka č. 5.: Druhá generácia hodnotiteľa č. 1. 

Druhá generácia Známka 

31,28,49,15,-38,-21,113,-55,13,84,94,39,-43,25,-98,-58,101,-19,77,5 

46,10,70,22,16,-34,91,-64,19,63,112,45,-33,23,-89,-67,116,-21,52,2 

31,28,49,15,-38,-21,113,-55,13,84,94,39,-43,25,-98,-58,101,-19,77,5 

48,-20,-65,23,18,-30,103,-55,45,67,115,-23,-35,13,-87,-2,115,-58,63,1 

36,-11,16,89,109,-77,61,-7,111,64,92,-14,51,81,-63,-21,83,-20,-36,0 

101,23,-32,47,120,-23,9,-5,-85,29,-108,21,-80,29,-78,-58,-47,-27,-54,59 

106,41,-46,29,-61,-11,12,-86,-5,79,83,0,110,73,26,-19,-114,-74,-6,21 

67 

2 

3 

4 

2 

4 

5 

5 

2 

3 

4 

2 

4 

5 

5

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 6.: Tretia generácia hodnotiteľa č. 1. 

Tretia generácia Známka 

41,-13,-58,24,19,-33,73,-60,49,70,111,-23,-19,27,-95,-3,120,-19,74,1 

26,16,36,5,114,-20,117,-59,-10,64,100,41,30,72,-70,-59,99,-27,65,1 

70,14,51,22,7,-30,89,-54,11,53,120,35,-33,16,-92,-63,106,-22,46,4 

99,14,-40,45,108,-28,11,-11,-90,30,-93,27,-82,25,-70,-56,-36,-26,-58,55 

109,37,-24,30,-48,-9,30,-88,-1,76,95,7,120,79,38,-11,-105,-76,-28,22 

30,32,31,18,-32,-21,119,-54,26,88,112,37,-21,20,-83,-53,94,-21,89,8 

109,37,-24,30,-48,-9,30,-88,-1,76,95,7,120,79,38,-11,-105,-76,-28,22 

Tabuľka č. 7.: Štvrtá generácia hodnotiteľa č. 1. 

Štvrtá generácia Známka 

31,28,49,15,-38,-21,113,-55,13,84,94,39,-43,25,-98,-58,101,-19,77,5 

46,10,70,22,16,-34,91,-64,19,63,112,45,-33,23,-89,-67,116,-21,52,2 

31,28,49,15,-38,-21,113,-55,13,84,94,39,-43,25,-98,-58,101,-19,77,5 

48,-20,-65,23,18,-30,103,-55,45,67,115,-23,-35,13,-87,-2,115,-58,63,1 

36,-11,16,89,109,-77,61,-7,111,64,92,-14,51,81,-63,-21,83,-20,-36,0 

101,23,-32,47,120,-23,9,-5,-85,29,-108,21,-80,29,-78,-58,-47,-27,-54,59 

106,41,-46,29,-61,-11,12,-86,-5,79,83,0,110,73,26,-19,-114,-74,-6,21 

68 

2 

3 

4 

2 

4 

5 

5 

1 

3 

3 

2 

3 

5 

5

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 8.: Piata generácia hodnotiteľa č. 1. 

Piata generácia Známka 

50,-2,-70,29,36,-26,90,-64,49,60,96,-20,-5,30,-91,-3,105,-13,65,0 

30,21,37,3,116,-17,105,-61,-6,60,89,42,21,69,-64,-55,95,-26,65,0 

59,14,60,23,-3,-34,73,-64,38,66,109,36,-27,28,-86,-3,96,-24,45,3 

30,32,31,18,108,-28,119,-54,-90,88,-93,28,-21,20,-83,-53,-36,-26,89,8 

50,-2,-70,29,36,-26,90,-64,49,60,96,-20,-5,30,-91,-3,105,-13,65,0 

50,-2,-70,29,36,-26,90,-64,49,60,96,-20,-5,30,-91,-3,105,-13,65,0 

30,21,37,3,116,-17,105,-61,-6,60,89,42,21,69,-64,-55,95,-26,65,0 

Tabuľka č. 9.: Šiesta generácia hodnotiteľa č. 1. 

Šiesta generácia Známka 

37,0,-78,37,59,-27,98,-65,48,62,73,-16,-2,32,-120,-3,120,-10,74,4 

10,33,11,10,120,-31,101,-54,-85,87,-88,27,-37,11,-76,-39,-40,-21,69,3 

10,33,11,10,120,-31,101,-54,-85,87,-88,27,-37,11,-76,-39,-40,-21,69,3 

43,-1,-69,30,42,-27,83,-63,35,66,97,-19,-11,35,-88,-3,111,-12,70,0 

23,24,43,7,114,-19,104,-65,-9,61,78,39,22,65,-71,-58,101,-28,64,0 

40,32,26,5,110,-18,114,-58,-17,58,-100,26,-31,17,-62,-54,89,-25,61,11 

25,19,45,3,106,-16,98,-56,-1,60,82,44,22,72,-70,-58,95,-21,70,0 

69 

5 

1 

2 

2 

5 

5 

2 

2 

5 

4 

5 

1 

3 

1

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 10.: Siedma generácia hodnotiteľa č. 1. 

Siedma generácia Známka 

37,34,8,0,108,-16,120,-62,4,62,-92,36,-2,25,-70,-52,98,-24,82,11 

-2,29,53,10,93,-19,82,-60,-9,65,66,39,23,67,-79,-61,94,-21,64,0 

46,1,-79,36,66,-32,103,-56,-80,58,89,-15,-36,33,-109,-3,120,-23,65,7 

21,29,26,8,120,-23,105,-59,-70,89,-83,24,-46,5,-62,-43,-28,-26,48,7 

17,22,56,5,107,-12,92,-55,6,62,74,40,19,72,-76,-53,94,-16,61,0 

1,29,12,11,120,-28,94,-51,-84,90,-90,24,-33,8,-72,-43,-40,-17,74,2 

21,29,26,8,120,-23,105,-59,-70,89,-83,24,-46,5,-62,-43,-28,-26,48,7 

Tabuľka č. 11.: Ôsma generácia hodnotiteľa č. 1. 

Ôsma generácia Známka 

-10,19,72,4,102,-10,101,-58,13,59,70,32,1,69,-71,-56,107,-11,33,0 

-10,19,72,4,102,-10,101,-58,13,59,70,32,1,69,-71,-56,107,-11,33,0 

17,23,56,5,107,-12,92,-55,6,62,74,40,19,72,-76,-53,94,-16,61,0 

21,23,26,5,107,-23,92,-59,6,62,74,40,-46,5,-62,-43,94,-16,61,0 

21,29,26,10,120,-19,105,-59,-9,89,66,39,23,5,-79,-43,-28,-21,64,0 

21,29,26,10,120,-19,105,-59,-9,89,66,39,23,5,-79,-43,-28,-21,64,0 

6,32,49,9,86,-14,89,-59,-6,67,74,36,15,69,-86,-61,83,-22,56,2 

70 

2 

1 

4 

5 

1 

3 

1 

- 

- 

- 

- 

- 

-

FEI KKUI 

5.2.3 Hodnotenie subjektu č. 2 a evolúcia fenotypov 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 12.: Nultá generácia hodnotiteľa č. 2. 

Nultá generácia Známka 

-18,-1,-61,37,-61,-49,-111,-45,-115,36,59,33,30,62,-107,-5,-93,-74,18,7 

81,30,12,55,32,-86,-111,-78,-61,57,-35,26,-61,15,-33,-81,-92,-35,-23,34 

-61,3,92,64,88,-55,23,-25,52,6,-61,-3,108,70,-7,-70,83,-64,-16,71 

87,19,69,88,64,-75,-114,-37,-38,59,65,-26,-31,55,-78,-32,17,-48,104,2 

-59,10,108,49,74,-62,-79,-75,33,74,95,-35,93,34,-55,-1,-65,-23,112,15 

115,-34,36,43,-8,-85,-33,-85,70,69,-80,-29,18,8,-15,-20,115,-76,57,39 

-101,0,26,66,-36,-31,-100,-33,68,8,35,7,-115,77,-62,-89,34,-92,-49,14 

Tabuľka č. 13.: Prvá generácia hodnotiteľa č. 2. 

Prvá generácia Známka 

-105,0,18,75,-45,-32,-80,-31,55,18,28,-2,-90,74,-83,-85,27,-95,-16,10 

64,13,113,49,52,-88,-120,-76,17,49,-32,20,97,35,-33,-2,-101,-15,86,15 

-14,4,-37,34,-51,-52,-118,-46,-120,41,57,27,13,66,-109,-10,-110,-84,14,8 

-120,11,31,29,-17,-28,-16,-77,86,69,31,-14,-120,5,-92,-84,116,-76,-28,9 

-120,11,31,29,-17,-28,-16,-77,86,69,31,-14,-120,5,-92,-84,116,-76,-28,9 

-105,0,18,75,-45,-32,-80,-31,55,18,28,-2,-90,74,-83,-85,27,-95,-16,10 

-105,0,18,75,-45,-32,-80,-31,55,18,28,-2,-90,74,-83,-85,27,-95,-16,10 

71 

2 

4 

2 

4 

4 

5 

1 

3 

5 

4 

1 

1 

3 

3

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 14.: Druhá generácia hodnotiteľa č. 2. 

Druhá generácia Známka 

37,34,8,0,108,-16,120,-62,4,62,-92,36,-2,25,-70,-52,98,-24,82,11 

-2,29,53,10,93,-19,82,-60,-9,65,66,39,23,67,-79,-61,94,-21,64,0 

46,1,-79,36,66,-32,103,-56,-80,58,89,-15,-36,33,-109,-3,120,-23,65,7 

21,29,26,8,120,-23,105,-59,-70,89,-83,24,-46,5,-62,-43,-28,-26,48,7 

17,22,56,5,107,-12,92,-55,6,62,74,40,19,72,-76,-53,94,-16,61,0 

1,29,12,11,120,-28,94,-51,-84,90,-90,24,-33,8,-72,-43,-40,-17,74,2 

21,29,26,8,120,-23,105,-59,-70,89,-83,24,-46,5,-62,-43,-28,-26,48,7 

Tabuľka č. 15.: Tretia generácia hodnotiteľa č. 2. 

Tretia generácia Známka 

-3,7,-38,41,-50,-49,-101,-47,-110,38,45,26,5,67,-113,-17,-120,-85,-10,4 

47,19,101,47,49,-84,-98,-76,4,53,-29,21,98,38,-32,-1,-104,-9,79,13 

-119,9,49,25,-50,-47,0,-48,-120,46,46,28,-111,71,-92,-87,110,-87,13,5 

-120,15,14,22,-19,-24,-21,-26,54,12,37,-12,-108,11,-79,-83,5,-90,7,7 

47,19,101,47,49,-84,-98,-76,4,53,-29,21,98,38,-32,-1,-104,-9,79,13 

-23,2,11,29,-35,-34,-120,-30,-120,42,36,1,12,66,-102,-88,-119,-95,-10,11 

-112,11,38,33,-18,-31,-15,-78,93,72,38,-8,-109,9,-80,-79,120,-75,-30,5 

72 

2 

1 

4 

5 

1 

3 

1 

3 

4 

1 

1 

4 

3 

1

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 16.: Štvrtá generácia hodnotiteľa č. 2. 

Štvrtá generácia Známka 

-120,14,21,19,-10,-21,-18,-24,62,16,40,-7,-109,14,-71,-83,0,-90,11,4 

-109,11,60,20,-58,-43,-3,-46,-120,47,48,25,-120,69,-82,-89,101,-88,20,5 

-120,17,52,25,-48,-25,-4,-24,64,47,41,28,-117,8,-85,-86,111,-83,19,5 

-14,6,10,27,-45,-32,-119,-28,-120,42,34,1,5,67,-94,-88,-117,-92,-9,14 

-23,11,49,25,-50,-34,-120,-48,-120,42,46,3,-111,66,-102,-88,-119,-95,13,5 

-109,11,60,20,-58,-43,-3,-46,-120,47,48,25,-120,69,-82,-89,101,-88,20,5 

-23,11,49,25,-50,-34,-120,-48,-120,42,46,3,-111,66,-102,-88,-119,-95,13,5 

Tabuľka č. 17.: Piata generácia hodnotiteľa č. 2. 

Piata generácia Známka 

-96,7,51,6,-40,-36,0,-35,-120,50,30,28,-98,71,-91,-88,96,-89,25,3 

-28,19,41,31,-43,-36,-100,-50,-114,50,43,10,-118,69,-108,-89,-119,-91,35,1 

-120,15,43,30,-47,-25,-13,-24,75,49,48,24,-118,1,-86,-85,99,-88,5,6 

-96,7,51,6,-40,-36,0,-35,-120,50,30,28,-98,71,-91,-88,96,-89,25,3 

-120,10,44,22,-31,-27,-21,-23,57,11,58,22,-108,12,-62,-83,115,-94,18,4 

-120,10,44,22,-31,-27,-21,-23,57,11,58,22,-108,12,-62,-83,115,-94,18,4 

-117,8,62,18,-56,-41,-5,-44,-120,50,52,27,-111,67,-75,-90,112,-87,25,3 

73 

2 

3 

2 

4 

4 

2 

4 

3 

4 

1 

3 

2 

2 

3

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 18.: Šiesta generácia hodnotiteľa č. 2. 

Šiesta generácia Známka 

-120,3,45,34,-40,-24,-6,-29,76,11,56,27,-117,0,-71,-86,104,-95,-4,10 

-115,16,53,24,-20,-30,-40,-23,40,8,55,27,-116,6,-73,-83,115,-90,21,0 

-108,10,57,24,-25,-25,-2,-19,53,12,54,19,-97,6,-53,-74,109,-94,41,5 

-115,16,53,24,-20,-30,-40,-23,40,8,55,27,-116,6,-73,-83,115,-90,21,0 

-120,9,37,21,-40,-26,-13,-27,50,10,57,27,-116,10,-50,-87,119,-95,27,8 

-120,11,44,22,-31,-27,-21,-23,57,11,58,23,-108,12,-62,-83,115,-94,18,4 

-115,16,53,24,-20,-30,-40,-23,40,8,55,27,-116,6,-73,-83,115,-90,21,0 

Tabuľka č. 19.: Siedma generácia hodnotiteľa č. 2. 

Siedma generácia Známka 

-103,21,29,13,-10,-32,-62,-15,19,23,83,24,-113,28,-66,-83,120,-91,15,0 

-85,7,64,31,-13,-31,-50,-14,72,8,73,19,-120,0,-96,-83,90,-80,13,6 

-108,18,49,19,-26,-30,-64,-20,34,4,90,29,-120,19,-70,-89,101,-89,35,3 

-105,20,34,37,-23,-21,-33,-22,79,11,28,25,-104,4,-83,-82,101,-94,21,12 

-105,20,34,37,-23,-21,-33,-22,79,11,28,25,-104,4,-83,-82,101,-94,21,12 

-115,13,54,19,-11,-26,-35,-26,26,3,35,29,-88,9,-86,-77,95,-89,-9,0 

-120,14,56,37,-30,-19,-26,-16,81,15,50,26,-106,6,-74,-76,89,-93,26,12 

74 

1 

3 

4 

3 

2 

2 

3 

2 

3 

2 

2 

2 

2 

1

FEI KKUI 

Fenotyp č. 1 

Fenotyp č. 2 

Fenotyp č. 3 

Fenotyp č. 4 

Fenotyp č. 5 

Fenotyp č. 6 

Fenotyp č. 7 

Tabuľka č. 20.: Ôsma generácia hodnotiteľa č. 2. 

5.3 Analýza dosiahnutých výsledkov 

Genetické algoritmy sú univerzálnym stochastickým prehľadávacím alebo optima- 

lizačným prístupom, ktorý je v ohraničenom priestore prípustných riešení daného prob- 

lému schopný nájsť alebo sa aspoň priblížiť ku globálnemu optimu. Čo je ale toto glo- 

bálne optimum v prípade interaktívneho prístupu v návrhu tanečných choreografií? 

Interaktívny genetický algoritmus hľadá globálne optimum v priestore parametrov 

systému vzhľadom na psychologickú vzdialenosť medzi cieľom hodnotiteľa procesu 

v jeho psychologickom priestore – čiže akejsi predstavy a aktuálnym výstupom systé- 

mu. Záleží, či užívateľ – hodnotiteľ tanca má aspoň približnú predstavu o tom, ako by 

mala choreografia vyzerať, alebo nie. 

Ôsma generácia Známka 

-111,21,61,24,-6,-31,-28,-25,35,2,42,29,-80,15,-99,-84,98,-88,6,4 

-96,20,25,39,-39,-26,-35,-23,74,15,30,26,-107,24,-76,-83,98,-92,52,15 

-120,16,54,42,-10,-19,-29,-24,69,10,34,28,-73,13,-87,-80,104,-92,31,3 

-102,20,15,37,0,-17,-18,-26,16,7,10,27,-100,12,-65,-70,98,-91,23,14 

-99,19,51,19,-9,-25,-42,-22,31,3,26,23,-84,4,-92,-75,97,-87,-4,1 

-113,17,40,37,-15,-24,-27,-26,83,13,29,22,-110,6,-93,-84,98,-95,25,15 

-120,16,54,42,-10,-19,-29,-24,69,10,34,28,-73,13,-87,-80,104,-92,31,3 

Na výsledných fenotypoch hodnotiteľov procesu pozorujeme, že dospeli k odliš- 

ným tancom. Rýchlosť konvergencie fenotypov záleží od hodnotenia. 

Predpokladám, že expert – choreograf tanca by dospel k lepším výsledkom ako 

bežný užívateľ. Dôvodom tohto zmýšľania je, že expert by mal pred použitím programu 

v mysli predstavu, ku ktorej by sa v programe evolúciou približoval. 

75 

- 

- 

- 

- 

- 

- 

-

FEI KKUI 

Výsledný tanec č. 1 

76

FEI KKUI 

77

FEI KKUI 

78

FEI KKUI 

Výsledný tanec č. 2 

79

FEI KKUI 

80

FEI KKUI 

81

FEI KKUI 

82

FEI KKUI 

6 Zhodnotenie a záver 

83 

Tri miliardy rokov evolúcie nemohli byť nesprávne. 

Je to najsilnejší algoritmus, aký existuje. 

Dr. David E. Goldberg, profesor University of Illinois 

Cieľom diplomovej práce bolo navrhnúť systém robotického tanca, ktorý interaguje 

s používateľom – človek ohodnocovaním sekvencií tanečných krokov tvorí vlastnú cho- 

reografiu pomocou interaktívnej evolúcie. V kroku hodnotenia jedincov evolučného al- 

goritmu zastáva úlohu človek, ktorý priradí jedincom vhodnosť a takýmto spôsobom 

ovplyvňuje nasledujúci priebeh evolúcie a interaguje so systémom. Výstupy systému 

závisia od preferencií, zmyslov, emócií a vkusu človeka. 

Systém by mohol byť použitý pre zábavné účely a takisto by našiel uplatnenie aj 

v oblasti spoločenskej robotiky. 

6.1 Splnenie téz diplomovej práce 

Tézy tejto diplomovej práce boli určené nasledovne: 

1) Urobiť prehľad problematiky z danej problematiky vo svete. 

2) Teoreticky analyzovať možnosti nasadenia evolučných výpočtov do systému ro- 

botického tanca. 

3) Analyzovať problematiku evolučných výpočtov pri evolúcii tanca. 

4) Navrhnúť systém využitia interaktívnych evolučných výpočtov pri evolúcii tan- 

ca. 

5) Vytvoriť užívateľské rozhranie pre daný systém. 

6) Prezentovať demonštráciu výsledkov evolúcie. 

7) Vypracovať abstrakt práce v anglickom jazyku. 

V diplomovej práci som sa snažila splniť všetky zadané úlohy, ktoré sú vypra- 

cované a zdokumentované nasledovne: 

Body 1) – 3) sú obsiahnuté v teoretickej časti diplomovej práce, konkrétne:

FEI KKUI 

Kapitoly 2. – 3. sú založené na preštudovaní viacerých vedeckých článkov, na 

základe ktorých som v kapitole 2. vypracovala prehľad použitia umelej inteligencie 

v humanoidných systémoch vo svete. Kapitola 3. sa zaoberá teoretickými východiskami 

evolučných algoritmov a v druhej časti je zameraná na oblasť interaktívnej evolúcie. 

Príklady konkrétnych humanoidných robotov sú opísané v príručke A diplomovej práce 

a aplikácie interaktívnych systémov v príručke B. 

Body 4) a 5) sú zdokumentované v kapitole 4., kde som navrhla systém využitia 

interaktívnych evolučných výpočtov pri evolúcii tanca, spolu s jeho užívateľským roz- 

hraním. 

Téza pod bodom 6) je uvedená v kapitole 5.: 

Kapitola 5. prezentuje demonštráciu výsledku evolúcie na dvoch tancoch a via- 

cerých hodnotiteľov procesu, kde sú uvedené experimenty so systémom. Ich následná 

teoretická analýza je popísaná v podkapitole 5. 3. 

Bod 7) je vypracovaný v príručke A. diplomovej práce. 

6.2 Práca do budúcna 

Za najdôležitejší najbližší krok do budúcna považujem odskúšanie navrhnutého 

systému na reálnych robotoch. 

Okrem tejto nevyhnutnej skutočnosti prezentujem vízie, ktoré by sa mohli pre- 

meniť v realitu: 

Rozpoznávanie hudby, podľa ktorej by sa robot pohyboval, by bolo veľkým 

prínosom do systému. Pomocou simulátora to nebolo možné, ale na reálnych robotoch 

by to bolo veľkým zlepšením. Známe sú prístupy rozpoznávania hudby napríklad po- 

mocou neurónových sietí. 

V takomto prístupe by išlo o snahu stanoviť príznaky charakterizujúce rôzne hu- 

dobne žánre a následné použitie klasifikátora. Inak povedané, rozpoznávanie hudby ro- 

botmi je extrakcia informácií zo zvuku. 

Zvuk je zmena tlaku – rozloženia častíc alebo ich rýchlosti – vlnenie v pásme 

frekvencií od 20Hz do 20kHz, ktoré sa šíri vzduchom v počuteľnej oblasti. Laicky po- 

84

FEI KKUI 

vedané, každý typ hudby by mal iný príznakový priestor. Neurónová sieť ako univer- 

zálny aproximátor by klasifikovala typy hudby do jednotlivých tried. 

Rozšírenie chromozómu o ďalšie gény na základe vlastností Naa, ktoré v simu- 

lácii nie sú dobre alebo vôbec pozorovateľné – napríklad o blikanie jeho „očí“ rôznymi 

farbami. 

Zaujímavé by bolo, keby si návrh choreografie vyskúšal expert z tejto oblasti a 

posúdil dosiahnuté výsledky. 

85

FEI KKUI 

Epilóg 

Keď prvý krát vyviniete novú bytosť umelou selekciou v počítačovom modeli, 

máte pocit, že je to kreatívny proces. Takže to tak skutočne je. 

Ale čo naozaj robíte, je nájdenie bytosti, ktorá, v matematickom zmysle, 

už sedí na jej vlastnom mieste v genetickom priestore v Biomorfickej Krajine. 

86 

Kevin Kelly, 1995 

Ľudia, pri zhrnutí Darwinovej myšlienky o evolúcii, si zvyčajne predstavia slogan „Naj- 

silnejší prežije.“ Zdá sa, že rastliny a živočíchy sa vyvinuli postupným vylepšovaním 

rôznych rysov, či vlastností. Citovaný Holland sa snažil, aby počítačové programy na- 

podobňovali živé organizmy v tom, že sa pri hľadaní riešení problémov adaptívne vyví- 

jajú. Jeho genetický algoritmus ako populácia počítačových programov, ktoré sa vyvíja- 

jú prostredníctvom hore uvedených genetických operátorov ako je reprodukcia, náhod- 

né zmeny a súťaženie, evokuje všetky idey a slovník biológov, od chromozómov, ktoré 

obsahujú genetický plán organizmu, ku kríženiu a mutáciám, ktoré ho môžu meniť. 

Kríženie u genetického algoritmu dovoľuje, aby sa mnoho pokusných riešení tes- 

tovalo súbežne. Tento zabudovaný paralelizmus umožňuje nájsť zázračné kombinácie 

medzi obrovským množstvom alternatív, a to pomocou procesu, ktorý vyzerá náhodne, 

ale v skutočnosti ho riadi „Darwinova ruka.“ 

Mnoho vedcov a umelcov sa snaží navrhnúť mechanizmy, ktoré by preukázali 

kreatívne vlastnosti. Kreativita je jednou z najmenej pochopených aspektov inteligencie 

a je často vnímaná ako intuitívna, a nie ako racionálna. Záujem o jej vzkriesenie je, ok- 

rem umelej inteligencie a kognitívnej vedy, aj v psychológii, filozofii, počítačovej vede, 

logike, matematike, sociológii, architektúre a dizajne. Implikuje inovatívny výstup a 

znamená všeobecný zmysel pre originalitu a inovatívnosť. Je to tvorba neobyčajných, 

nových kombinácií starých nápadov, kde prekvapenie spôsobené kreatívnym nápadom 

je odmenou za nepravdepodobnosť kombinácie. 

Otázka znie: je vôbec možné napísať počítačový program, schopný produkovať 

kreatívny dizajn, respektíve program, ktorý podporí kreativitu dizajnéra? A do budúcna: 

mohli by nám počítače pomôcť pri pochopení ľudskej kreativity?

FEI KKUI 

Evolučné algoritmy dokážu vyriešiť viaceré nezvládnuteľné problémy a v niekto- 

rých ohľadoch ich môžeme vnímať tak, že ich správanie je inteligentné. (Umelá inteli- 

gencia je kontroverzný vedný odbor, z väčšej časti preto, lebo ani psychológia sa neve- 

dia zhodnúť, čo je samotná inteligencia. 

Na záver si dovolím spomenúť výrok Arthura Samuela (1901 – 1990), ktorý bol 

jeden z prvých vedcov v oblasti UI a tvorca inteligentného šachu: 

„Cieľom je mať stroje schopné správať sa tak, že v prípade, že by sa takto správali 

ľudia, tak by bolo usudzované, že používajú inteligenciu.“ 

87

FEI KKUI 

Zoznam použitej literatúry 

[1] AMBROSE, R. – ZHENG, Y. et. al.: Humanoids. In Assessment of International 

Research and Development in Robotics. 2006. 

http://www.wtec.org/robotics 

[2] AUCOUTURIER, J. J. – IKEUCHI, K. et. al.: Cheek to Chip: Dancing Robots and 

AI’s Future. In Intelligent Systems, IEEE, 23(2): pp. 74–84, 2009. 

http://www.cs.cmu.edu/~marekm/publications/IS08MichalowskiKozima.pdf 

[3] BROOKS, R.A. – BREAZEAL, C. et. al.: The Cog Project: Building a Humanoid 

Robot. In: Computation for Metaphors, Analogy, and Agents. C. Nehaniv (ed), Lec- 

ture Notes in Artificial Intelligence 1562. New York, Springer, pp. 52–87, 1999. 

http://people.csail.mit.edu/brooks/papers/CMAA– group.pdf 

[4] CSONTÓ, J. – PALKO , M.: Umelý život. Elfa, ISBN 80– 89066– 59– 3, 2006. 

[5] GARCIA, E. – JIMENEZ, M., A. et. al.: The Evolution of Robotics Research, 

From Industrial Robotics to Field and Service Robotics. In: IEEE Robotics & Au- 

tomation Magazine, March 2009. 

http://labrobotica.org/conjuntos/Articulos/The%20evolution%20of%20robotics%20researc 

h.pdf 

[6] GOUAILLIER, D. – HUGEL, V. et. al.: The NAO humanoid: a combination ofper- 

formance and affordability. In: IEEE Transactions on Robotics, 2008. 

http: //arxiv1.library.cornell.edu/PS_cache/arxiv/pdf/0807/0807.3223v1.pdf 

[7] GREEN, W S. – JORDAN P. W.: Pleasure with Products: Beyond Usability,: De- 

sign Based on Kansei, Kansei engineering, University of Tsukuba. In: CRC Press, 

ISBN 0415237041, 2002. 

[8] ITO, M. – TANI, J.: On–line Imitative Interaction with a Humanoid Robot Using a 

Dynamic. Neural Network Model of a Mirror System. In: Adaptive Behavior, 

Vol.12, No.2, 2004. 

[9] KATIC, D. – VUKOBRATOVIC, M.: Survey of intelligent control. Algorithms for 

humanoid robots. In: Journal of Intelligent and Robotic Systems, vol. 37, pp. 117– 

141, 2005. 

http://www.nt.ntnu.no/users/skoge/prost/proceedings/ifac2005/Fullpapers/01799.pdf 

88

FEI KKUI 

[10] ISHIDA, T. – KUROKI, Y., et. al.: Analysis of Motions of a Small Biped Enterta- 

inment Robot. In: Proc. Int. Conf. On Intelligent Robots and Systems(IROS), 

pp.142-147, 2004. 

[11] MINATO, T – SHIMADA, M., et. al.: Development of an Android Robot for Stu- 

dying Human-Robot Interaction. In: Proc. 17 th International Conf. Industrial and 

Engineering Applications of Artificial Intelligence and Expert Systems, Ottawa, 

Canada, pp. 424—434, 2004. 

[12] NAKAOKA, S. et. al.: Learning from Observation Paradigm: Leg Task Models for 

Enabling a Biped Humanoid Robot to Imitate Human Dance. In Robotics Rese- 

arch, vol. 26, no. 8, pp. 829–844. 2007. 

[13] TAKAGI, H.: Interactive GA for system optimization: Problems and solution. In: 

4th European Congress on Intelligent Techniques and Soft Computing (EUFIT'96), 

Aachen, Germany, s. 1440 – 1444, 1996. 

[14] TAKEDA, T. – HIRATA, Y. et. al.: Dance Partner Robot Cooperative Motion Ge- 

neration with Adjustable Length of Dance Step Stride Based on Physical Interac- 

tion. In: Proc. IEEE/RSJ Int’l Conf. Intelligent Robots and Systems, IEEE Press, 

pp. 3258–3263, 2007. 

89

FEI KKUI 

Prílohy 

Príloha A: Prehľad humanoidných robotov 

Príloha B: Aplikácie interaktívnej evolúcie 

Príloha C: Výťah práce v anglickom jazyku 

Príloha D: Používateľská príručka 

Príloha E: Systémová príručka 

Príloha F: CD médium – Diplomová práca v elektronickej podobe, prílohy v elek- 

tronickej podobe. 

90

Umelá inteligencia v humanoidných systémoch

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?