Sale!
Placeholder

Simulating Motor Behaviour Using Genetic Algorithms: A Case Study of the Tadpole Swimming

10,000 3,000

Topic Description

Summary
The objectives of this project have been to advance the understanding of the biological and
computational constraints that must be imposed on a genetic algorithm to reproduce the motor
behaviour of a tadpole. The path to achieving this goal included the reproduction of some of
Auke Ijspeert’s work on the lamprey central pattern generator for locomotion.
The minimum requirements for this project were as follows:
1. The simulated evolution of animats representing the segmental oscillators which make
up the lamprey central pattern generator.
2. To devise a fitness function appropriate for use in BEAST to evolve the swimming
behaviour of the complete lamprey.
3. To devise a fitness function appropriate for use in BEAST to evolve the swimming
behaviour of the Xenopus Laevis tadpole.
Each of these requirements were fulfilled and are addressed in Chapters 3, 4 and 5 respectively.

Contents
1 Project Background 1
1.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 The Lamprey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 The Tadpole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Biological Locomotion and Robotics – The Motivation . . . . . . . . . . . . . . . 4
1.3.1 Biological Locomotion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Robotics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Introduction to Methodologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.2 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3 Central Pattern Generators . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Methodologies 7
2.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 History and Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Principles of Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.1 Motivation and Biology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.2 Principles of Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.4 Relevance to GAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Central Pattern Generators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4.1 Biological Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4.2 Computational Background . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4.3 Potential within BEAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 BEAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
iii
2.5.1 Introduction to BEAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5.2 GAs in BEAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5.3 ANNs in BEAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.4 Animats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.5 Interaction in the Virtual Environment . . . . . . . . . . . . . . . . . . . 15
3 Implementation of the Lamprey Segments 16
3.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 The Mice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Ijspeert, Hallam and Willshaw’s Lamprey Segments . . . . . . . . . . . . . . . . 17
3.3.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.2 Chromosomal Representation . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.3 Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3.4 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 Implementation within BEAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.2 Segment Visualisation Issues . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.3 The Simulation Environment . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.4 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4.5 Measuring Oscillatory Frequency . . . . . . . . . . . . . . . . . . . . . . . 20
3.4.6 Tuning the Evolved Controllers . . . . . . . . . . . . . . . . . . . . . . . . 21
3.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4 The Lamprey Fitness Function 23
4.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Ijspeert, Hallam and Willshaw’s Implementation . . . . . . . . . . . . . . . . . . 23
4.2.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2.2 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.3 Possible Implementations in BEAST . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.2 Matters for Consideration . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3.3 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5 The Tadpole Fitness Function 29
5.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2 The Xenopus Tadpole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2.2 Tadpole Anatomy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
iv
5.2.3 Tadpole Locomotion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.2.4 BEAST Implementation Issues . . . . . . . . . . . . . . . . . . . . . . . . 31
5.2.5 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6 Discussion of Results 34
6.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6.2 Achievement of Minimum Requirements . . . . . . . . . . . . . . . . . . . . . . . 34
6.3 The Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.3.1 The Lamprey Segments . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.4 Genetic Algorithms and Neural Networks . . . . . . . . . . . . . . . . . . . . . . 35
6.5 Robotics, Biology and Artificial Intelligence . . . . . . . . . . . . . . . . . . . . . 36
6.6 Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Bibliography 37
A Appendix: Reflection 39
B Appendix: Project Management

PROJECT SAMPLE/DEPARTMENTS

REVIEW OUR SERVICES

SEE FAQ