Multifunktionalität rekurrenter neuronaler Netze

Die Optimierung künstlicher neuronaler Netze genutzt als Verhaltenssteuerung autonomer Robotersysteme ist eine etablierte Strategie in Forschung und Entwicklung. Weniger Aufmerksamkeit liegt jedoch auf der Analyse resultierender verhaltensrelevanter Mechanismen. Dies, obwohl uns die künstliche Evolution, ähnlich der biologischen, ein unerschöpfliches und inspirierendes Reservoir an genialen Lösungen bereitstellt, die richtigen Randbedingungen, wie z. B. das Zulassen rekurrenter Verknüpfungen, vorausgesetzt. Basierend auf einer formalen Beschreibung rekurrenter neuronaler Netze als sensor-getriebene parametrisierte dynamische Systeme beleuchtet diese Arbeit Mechanismen, welche der evolutionären Entwicklung und der finalen Generierung multifunktionaler Verhaltensmuster autonomer Roboter zu Grunde liegen. Anhand systematischer Strukturevolutionsexperimente werden Randbedingungen für die inkrementelle Evolution multifunktionaler Verhaltensteuerung abgeleitet. Repräsentative Beispiele zeigen auf, wie nichttriviale Dynamiken, basierend auf qualitativ verschiedenen Attraktoren, verschiedene Verhaltensmuster hervorbringen und welche Phänomene sich aus der Wirkungsweise der sensomotorischen Schleife ergeben. Das Gesamtbild der Experimente erlaubt Schlussfolgerungen zum Skalierbarkeitsproblem der Evolutionären Robotik und zur Analyse komplexer neuronaler Verhaltensteuerungen, seien es nun künstliche oder biologische.