遺伝的アルゴリズムでスキーのスケーティング学習

遺伝的アルゴリズム (Genetic Algorithm : GA) を用いてスキーのスケーティングを最適化しようと試みた話.
An attempt to optimize ski skating using Genetic Algorithm (GA).

Transcript

1. GAでスケーティング学習 yusumi
2. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
3. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
4. スケーティングとは？ スキー板を履いて雪面を移動する方法
5. スケーティングのポイント • スキー板のエッジ(板の両側の金属部)に体重をかける • 足は進行方向に対して斜めに傾ける 右足の動き 体重を かけるライン 進む方向 蹴る方向 スキー板 進みたい方向 エッジ
6. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
7. 目的 •GAでスケーティング学習させる
8. 目的 •GAでスケーティング学習させる いくつかの課題あり しかし...
9. 課題点 雪面の実装が困難 エッジングが効かない
10. シミュレーション上での実装 •現実世界の雪面 → 完全な平面(摩擦小) •スケーティング学習 → 歩行学習 (倒れずに歩くことが目標)
11. シミュレーション方法 モデル作成 シミュレーション プログラミング blender Unity C# 実装 エクスポート
12. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
13. モデル •スキー板、ストックを装着した人型モデルを作成
14. 動かせる関節（ボーン）の設定 : X軸回転 : Y軸回転 : Z軸回転
15. 関節の可動域 関節 可動域 頭 X軸回転, -30～30° 胴体 X軸回転, 0～40° 肩 X軸回転, -80～80° 肘 X軸回転, 0～160° 手 Y軸回転, 0～90° 股 YZ軸回転, -45～45° 膝 X軸回転, 0～60°
16. モデル複製 •50体生成
17. 体重と摩擦係数の設定 • 人の体重を設定 • スキー板、ストック、平面の摩擦を設定 スキー板 静止摩擦係数 : 0.6 動摩擦係数 : 0.3 ストック 静止摩擦係数 : 0.6 動摩擦係数 : 0.3 平面 静止摩擦係数 : 0.6 動摩擦係数 : 0.1 人の体重 57.4kg
18. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
19. 遺伝子情報 • 遺伝子は各関節の角度(整数値) • 一周期で10個の状態 • 各状態は0.5秒で遷移 • 腕・脚の動きは半周期ずらして左右対称 状態10 初期状態 状態1 状態2 0.5秒 0.5秒 0.5秒
20. 遺伝子の構造 頭 胴体 左肩 左肘 左手 左股 左膝 右肩 右肘 右手 右股 右膝 28 38 0 10 33 -15 18 5 5 47 36 18 30 37 10 -4 41 45 1 58 -77 6 86 -76 27 18 23 41 76 10 69 13 34 -11 8 6 状態1 状態2 状態 n=10 これが一つの遺伝子 0.5秒 0.5秒 0.5秒 • 状態周期 : n = 10 • 関節数 : m = 12 遺伝子 : n × m 行列 (=120個の要素) m=12 関節の角度
21. 遺伝子の構造 腕・脚の動きは半周期ずらして左右対称 頭 胴体 左肩 左肘 左手 左股 左膝 右肩 右肘 右手 右股 右膝 28 38 0 10 33 -15 18 5 5 47 36 18 15 22 18 10 -36 状態 i 状態 i + n/2 18 33 0 47 5 5 15 股は正負反転
22. 任意の時刻の関節角度 • 開始から 𝑡 時間経過したときの各関節の角度 𝑡 > 0かつ𝑚𝑜𝑑 𝑡, 𝜏 = 0で状態遷移(𝑮𝑖 → 𝑮𝑖+1 ) 𝑺𝑡 = 𝑮𝑖 + (𝑮𝑖+1 − 𝑮𝑖 ) 𝑚𝑜𝑑(𝑡, 𝜏) 𝜏 𝑺𝑡 𝑡 時間経過後の各関節角度を要素 にもつベクトル 𝑮𝑖 状態 𝑖 の各関節角度を要素にもつ ベクトル(1 ≤ 𝑖 ≤ 𝑛) 𝜏 • 状態遷移時間(=0.5秒) 𝑚𝑜𝑑 𝐴, 𝐵 𝐴を𝐵で割ったときの余り
23. 任意の時刻の関節角度(状態遷移図) 𝑮1 𝑮2 𝑮𝑛 𝑮𝑖 𝑮𝑖+1 𝑺𝑡 𝑡∗ 1 − 𝑡∗ 𝑡∗ = 𝑚𝑜𝑑(𝑡, 𝜏) 𝜏
24. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
25. シミュレーションの構造 開始 初期個体生成 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異
26. シミュレーションの構造 初期個体生成 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異 開始 各世代は20秒で交代
27. シミュレーションの構造 初期個体生成 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異 開始 250世代で終了
28. シミュレーションの構造 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異 開始 初期個体生成 • 50体生成 • 遺伝子の値はランダム
29. シミュレーションの構造 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異 開始 初期個体生成
30. 適応度評価 「長い距離進む」 かつ 「倒れない」 プレイヤーほど評価を高くする
31. 適応度評価 「距離」と「転倒」に関するスコアを定義 • 距離は進行方向のみ(Z軸上)を考慮 ➢「現在のフレーム位置」 - 「前のフレーム位置」を加点 (<= 0 なら加点なし)
32. 適応度評価 •倒れた場合(XYZ軸の傾き角度の絶対値>80) ➢スコアの加算終了・停止 •最後まで倒れなければ5点追加
33. シミュレーションの構造 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異 開始 初期個体生成
34. 選択 スコアの高い上位5体 次の世代にそのまま受け継がれる
35. シミュレーションの構造 終了 条件 適応度評価 終了 No Yes 交叉 選択 突然変異 開始 初期個体生成
36. • 上位5体のうち親となる2体を確率的に選択 • 優秀な個体ほど選ばれやすくする 1位 2位 3位 4位 5位 40% 30% 15% 10% 5% 1体目の選択 交叉(親選択)
37. 交叉(親選択) • 上位5体のうち親となる2体を確率的に選択 • 優秀な個体ほど選ばれやすくする 1位 2位 3位 4位 45% 30% 15% 10% 2体目の選択 (順位再計算)
38. 交叉(多点交叉法) • 頭、胴体、左腕、左脚、右腕、右脚の6点で交叉 • どちらの親かはランダムに決定 頭1 胴体1 左肩1 左肘1 左手1 左股1 左膝1 右肩1 右肘1 右手1 右股1 右膝1 親1 頭2 胴体2 左肩2 左肘2 左手2 左股2 左膝2 右肩2 右肘2 右手2 右股2 右膝2 親2 頭1 胴体2 左肩1 左肘1 左手1 左股2 左膝2 右肩1 右肘1 右手1 右股2 右膝2 子 交叉
39. シミュレーションの構造 終了 条件 適応度評価 終了 No Yes 交叉 選択 開始 初期個体生成 突然変異
40. 突然変異 • 各関節は2%の確率でランダムな値に置き換わる 頭1 胴体1 左肩1 左肘1 左手1 左股1 左膝1 右肩1 右肘1 右手1 右股1 右膝1 親1 頭2 胴体2 左肩2 左肘2 左手2 左股2 左膝2 右肩2 右肘2 右手2 右股2 右膝2 親2 頭1 胴体2 左肩1 110 左手1 左股2 左膝2 右肩1 右肘1 右手1 右股2 右膝2 子 交叉 突然変異
41. アジェンダ 1.はじめに 2.実験内容 3.モデル 4.遺伝子 5.シミュレーション 6.デモ
43. 学習結果 最大スコア 平均スコア 世代ごとの スコア 全体的に 増加傾向
44. 結果の考察 • 「長い距離進む」かつ「倒れない」個体が増えた！ • しっかり足を交互に斜めに蹴りだして前進している • 腰は低め(1回だけ上体を起こして大きく前進) スケーティング初心者に近い動き
45. 結果の考察 •実験前、失敗時 ➢倒れずに前進すれば十分だろう... •最終結果 ➢意外とスケーティングに近い動きを再現できた？
46. 今後の展望 •個体数をより多くする •世代数をさらに増やしてみる •関節に加える力の大きさも考慮してみる •モデルの改良 •平面以外での実験(コブ斜面など)