Kaiser, Tanja KatharinaReischuk, Rüdiger2023-11-092023-11-092023978-3-88579-981-8https://dl.gi.de/handle/20.500.12116/42588Roboterschwärme bieten im Vergleich zu monolithischen Robotern größeres Potenzial für Robustheit und Skalierbarkeit. Doch die Implementierung von Steuerungen für Roboterschwärme ist durch schwer vorhersehbare und schwer modellierbare Rückkopplungsprozesse herausfordernd. Eine vielversprechende Alternative ist die automatische Generierung der Steuerungen mithilfe evolutionärer Algorithmen. Die Belohnung für den Optimierungsprozess muss sorgfältig definiert werden, um ungewünschte Nebeneffekte zu vermeiden. Statt spezifische Roboterverhalten zu belohnen, kann eine aufgabenunabhängige Belohnung verwendet werden. So können vielfältige und innovative Schwarmrobotersteuerungen entstehen. In unserer aufgabenunabhängigen Minimize-Surprise-Methode (dt. etwa: Überraschungsminimierung) belohnen wir die Güte der Sensorvorhersagen der Schwarmroboter. Wir zeigen in simplen Simulationen und in Experimenten mit echten Robotern, dass vielfältige, robuste und skalierbare Schwarmverhalten im Optimierungsprozess als Nebenprodukt entstehen. Zudem zeigen wir auf, dass die Minimize-Surprise-Methode trotz ihres explorativen Charakters für ingenieurtechnische Problemlösung eingesetzt werden kann.deText/Conference Paper