nepom@ibiw.yaroslavl.ru

Подход сформировался еще в конце 80х – начале 90х гг. Основные положения подхода изложены в работах (Wilson, 1991; Brooks, 1990; 1991a,b; McFarland, Boesser, 1993; Maes, 1994), а некоторые его достижения в применении к изучению поведения животных можно найти в обзорах (Guillot, Meyer, 2000a,b; Webb, 2000). Как и следовало ожидать, к настоящему времени в его рамках сформировались различные направления, перекрывающиеся с бионикой, математическим моделированием поведения животных и искусственным интеллектом. Чтобы составить представление о разнообразии этих направлений, полезно начать с ресурсов Интернета, указанных в Приложении. Однако, несмотря на это разнообразие, можно выделить то главное, что делает создание аниматов новым и самостоятельным подходом:

• От бионических разработок аниматы отличаются тем, что в них должны быть воплощены не отдельные “патенты природы”, а, как уже отмечено выше, фундаментальные принципы, определяющие поведение живых организмов, - те принципы, в силу которых это поведение отличается от поведения машин. Например, можно создать аппарат с шестью ногами и сенсорами, имитирующими глаза муравья, но, если управление походкой и навигацией аппарата запрограммированы, исходя из некоторых “общих соображений”, то это – не анимат. И наоборот, робот может передвигаться на колесах и воспринимать внешнюю среду с помощью радара, но если его действия подчиняются тем же закономерностям, что и у животных, - это анимат.
• Даже виртуальный анимат отличается от “обычных” математических моделей поведения животных. Отличие состоит в том, что для модели допустимо воспроизводить только одну сторону поведения без всякой связи с целями животного и с той средой, в которой осуществляется поведение. Например, ритм суточной активности может моделироваться осциллятором с активной и неактивной фазами, без всяких указаний на то, что именно делает организм во время активной фазы и как это способствует адаптации организма к среде. Напротив, анимат должен быть целостным агентом, т.е. он должен выполнять все действия, необходимые для достижения определенной цели в конкретной, пусть и виртуальной среде. В применении к суточному ритму это означает, что анимат должен решать определенные задачи в течение активной фазы, например, успевать восстанавливать свои энергетические ресурсы в среде с определенным распределением пищи.
• От традиционных разработок в области искусственного интеллекта аниматы отличаются не только ориентацией на принципы поведения животных. Не менее важно то, что создание аниматов ориентировано в конечном итоге на решение ими плохо сформулированных задач в плохо предсказуемой среде – т.е. таких, с которыми приходится иметь дело живым организмам. Аниматы создаются не для игры в шахматы, а для таких задач, как исследование поверхности планет в условиях, когда время и ресурсы робота ограничены, местность не изучена, а сама цель исследования сформулирована нечетко.

Эта разработка связана с изучением механизма ориентации самцов тутового шелкопряда в струе феромона самки. Самец воспринимает запах рецепторами, расположенными на симметричных антеннах. Классическая модель ориентации предполагает, что самец всегда поворачивает в сторону той антенны, рецепторы которой возбуждены сильнее. Эта модель проверялась в работе (Kuwana et al., 1996a,b).

Разработки в области искусственного интеллекта, характерные для 70-х годов, традиционно исходили из предположения, что агент в ходе решения какой-либо задачи должен сначала собрать информацию о среде, построить на основе этой информации модель (репрезентацию) среды, затем разработать план своих будущих действий на основе этой модели и наконец приступить к исполнению плана. Соответственно, архитектура агента должна состоять из иерархии модулей, соответствующих перечисленным этапам. Опыт показал, что такой подход оправдывает себя в искусственной среде с заранее заданными и известными агенту свойствами. Однако при решении практических задач в естественной среде её свойства не всегда известны агенту, время, необходимое для сбора информации, оказывается недопустимо большим, а способность агента строить модель среды – крайне ограниченной.

Альтернативный подход был предложен во второй половине 80-х годов и заключается в том, чтобы имитировать те способы принятия решений, которые предположительно используются животными в их естественной среде (Brooks, 1986; 1990; 1991). Было постулировано, что управляющий поведением агента механизм должен состоять из отдельных модулей, каждый из которых независимо управляет отдельной формой поведения без какого-либо моделирования среды или планирования действий: действия запускаются в ответ на внешние сигналы или даже просто спонтанно. Эти элементарные действия могут представлять собой ненаправленное блуждание, движение к цели, поворот в сторону от препятствия, схватывание какого-либо объекта и т.п. Результирующее адаптивное поведение создается в этом случае конкуренцией модулей, которые могут подавлять активность друг друга. Например, пока агент не воспринимает каких-либо специфических сигналов, он может блуждать по местности, чтобы обнаружить заданную цель. Когда цель обнаружена, становится активным модуль движения к цели, который подавляет активность модуля ненаправленного движения. Если на пути к цели обнаружено препятствие, то активным становится модуль, задающий поворот и движение в сторону, причем этот модуль подавляет все остальные модули. Когда агент оказывается в стороне от препятствия, снова растормаживается модуль движения к цели.

Следует отметить, что поведение, запускаемое каждым модулем можно представить в виде правила “if условие S then действие A”, а поведение всего агента – в виде списка таких правил. Простота программирования привела к широкому использованию исследователями такого рода агентов. Характерным примером может служить моделирование роли допамина в базальном ганглия крыс (Gonzalez et al., 2000). На основании физиологических исследований было известно, что “решения” о том, какое действие выполнить в данный момент принимается в базальном ганглии мозга крыс. Например, если крыса голодна, она выходит из своего затененного гнезда вдоль стенки вольера, находит пищу, хватает её, снова находит стенку и возвращается вдоль неё в гнездо. Если она не голодна, доминирует страх, которым подавляется выход из гнезда. Кроме того, было известно, что от уровня допамина в базальном ганглии зависит характер выполнения этих действий. Так, если уровень низок, то действия крысы замедленны, и она часто не способна реагировать адекватной реакцией на раздражитель. Если уровень слишком высок, то наблюдается гиперактивность, и, кроме того, может наблюдаться быстрое переключение между разными действиями так, что ни одно из них не доводится до конца. Авторы разработали модель, в соответствии с которой в базальном ганглии происходит сравнение входов от разных сенсоров и от разных мотивационных систем, а допамин увеличивает общую тоническую активацию, необходимую, чтобы запускать моторные команды для действий, соответствующих доминирующим входам.

Взаимодействием правил можно объяснить не только поведение отдельной особи, но и групп организмов. Такое взаимодействие может обеспечить координированное передвижение стаи виртуальных рыб, включая обход стаей препятствия, разделение стаи перед препятствием и её восстановление после обхода (Terzopoulos et al., 1994). Алгоритм поведения стаи представляет собой набор правил, предписывающих реакции на других особей и дополнительные внешние сигналы. С помощью аналогичных алгоритмов можно также воспроизвести преследование стаи хищником и её бегство от него. В конечном итоге, на основе таких правил была создана виртуальная экосистема для учебных и исследовательских целей (Terzopoulos et al., 1994).

Правила поведения, приведенные в разделе 3.1, можно назвать “реактивными”: анимат реагирует только на текущий сигнал (например, препятствие), и реакция прекращается, как только сигнал исчезает. Такое поведение не всегда адаптивно, что можно показать на простом примере. Пусть анимат попал в угол, образованный двумя стенками, и пусть обход препятствия управляется правилом, вызывающим поворот влево, если препятствие обнаружено справа, или поворот вправо, если препятствие находится слева. Если анимат сначала обнаружит правую стенку, то повернет влево и обнаружит левую стенку. Это заставит его повернуть вправо, в результате чего агент снова обнаружит правую стенку и повернет влево. Это цикл может бесконечно повторяться и анимат окажется пойманным в ловушку (что часто и происходит с роботами на самом деле). Чтобы избежать этого, требуется, чтобы обнаружение стенок вызывало не отдельные действия, а более сложную тактику. Например, анимат мог бы после повторного обнаружения левой стенки повернуть не вправо, а, наоборот, влево и двигаться вдоль этой стенки до тех пор, пока не выйдет из угла. Если и эта тактика не помогает, то следует попробовать третью тактику и т.д. В общем случае можно потребовать, чтобы анимат был способен:

• Быстрой генерации и проверки новых тактик.
• Соответствия тактик общим физическим закономерностям среды, в которой действует анимат.

Следует отметить, что поведение живых организмов, в том числе “низших”, отвечает этим требованиям. Можно привести следующий пример. Некоторые насекомые в ответ на запах феромона или пищи начинают двигаться против ветра, что, в принципе, позволяет найти источник запаха. Однако запах в турбулентном потоке воздуха распределен не равномерно, а отдельными “облаками”. Если насекомое перестает воспринимать запах, то все же некоторое время продолжает движение против ветра, как бы предполагая, что вслед за первым облаком появится и второе. Если новое облако не встречается, то можно предположить, что насекомое отклонилось от верного направления, и оно меняет тактику: двигается зигзагами поперек ветра. Это помогает вновь найти струю запаха, если насекомое действительно потеряло правильное направление. Разумеется, насекомому не известно, в каком случае оно просто вышло из облака, но двигается в правильном направлении, а в каком случае направление потеряно. Однако чередование тактик позволяет в большинстве случаев достигать цели. Кроме того, в этих тактиках отражены самые общие закономерности среды, в которой действует насекомое: запах распространяется потоком воздуха, в потоке может иметь место турбулентность, разрывающая струю запаха, и т.д.

Предиктивные правила показали свою эффективность и при решении некоторых задач аниматами. В качестве примера можно привести решение роботом задачи выхода из угла при использовании реактивных и предиктивных правил (Clark et al., 2000). Робот, передвигающийся на колесах и снабженный двумя симметричными сенсорами, попадает в ловушку, если его правила поведения при касании сенсором стенки сводятся к поворотам в противоположную сторону. В другом эксперименте поведение этого же робота управлялось нелинейным осциллятором. Как нелинейная динамическая система, осциллятор обладал двумя свойствами: 1) прикосновение к стенке вызывало не отдельный поворот, а довольно сложный маневр, с большой вероятностью выводящий робота из угла; 2) этот маневр зависел не только от сигнала, но и от состояния системы, которое, в свою очередь, определялось её прошлыми состояниями, в результате чего маневры никогда не повторялись в точности. Такие маневры обеспечивали выход из угла. Как и живые организмы, робот сформировал свою тактику не основе анализа ситуации, внутренней её репрезентации или построения модели среды. Эта тактика порождена взаимодействием внутренней динамики осциллятора, управляющего роботом, с немногими внешними сигналами, доступными роботу.

В другой работе (Walker, Miglino, 1999) имитировалась способность цыплят находить обходной путь в простом лабиринте к цели, прямой доступ к которой закрыт решеткой. Чтобы решить эту задачу, цыплятам приходится некоторое время двигаться в направлении, противоположном цели, теряя зрительный контакт с ней. Эта задача считается сложной, как как для её решения предположительно требуется построить внутреннюю репрезентацию лабиринта – его когнитивную карту. Однако с помощью генетического алгоритма была создана нейронная сеть, решавшая эту задачу без какой-либо когнитивной карты. Если робот, управляемый сетью, сталкивался с решеткой, то он поворачивал от цели и двигался вдоль стены лабиринта до тех пор, пока не находил свободный проход к цели. Разумеется, эта работа не доказывает, что цыплята не строят когнитивной карты. Однако она показывает, что с помощью предиктивных правил, расcчитанных на результат, ожидаемый в будущем, можно решить сложную задачу без построения модели среды.

В принципе, задачу можно решать следующим образом. Можно создать программу поведения агента, представляющую собой список правил поведения, учитывающий все возможные ситуации, в которых может оказаться агент. Каждое правило может предписывать конкретную последовательность действий в ответ на конкретную последовательность сигналов, как это сделано в примерах из Раздела 3.1. Правила могут быть заданы либо программными средствами, либо в виде самостоятельных физических модулей, каждый из которых действует в соответствии с отдельным правилом (Раздел 3.1). На практике такой способ широко используется. Однако у это подхода есть очевидные недостатки. Во-первых, модельер должен заранее предвидеть ситуации, с которыми столкнется анимат в среде, где ему придется действовать. Во-вторых, чем сложнее среда, тем больше разрастается список правил и здесь может возникнуть новая проблема: не будет ли одна и та же ситуация вызывать непредусмотренное одновременное выполнение разных правил и конфликт между ними. Наконец, если анимат должен руководствоваться предиктивными правилами поведения и изменять их в соответствии с ситуацией, то модельер должен задать дополнительные правила для изменения правил.

Наиболее строгое требование к подлинно автономному агенту состоит в том, что он должен не только следовать заранее заданным правилам, но и порождать новые правила самостоятельно (Smithers, 1997). Один из возможных способов создания анимата, отвечающего этому требованию, состоит в следующем. Нервная система животного может рассматриваться как нелинейная динамическая система, в поведении которой отражается не только текущий сигнал, но и внутреннее состояние системы, которое, в свою очередь, зависит от последовательности предыдущих сигналов. Известно, что динамическая система, состоящая из одних и тех же взаимодействующих модулей, может порождать разные последовательности действий в зависимости от истории внешних воздействий на систему. Некоторые исследователи предполагают, что это дает возможность создать агента, способного к разнообразным адаптивным последовательностям действий без заранее заданного списка правил (Steels, 1994; Jaeger, 1998; Gelder, 1999; Beer, 1997; 2000).

По существу, осциллятор, управляющий роботом (Раздел 3.1), служит примером такого подхода. К настоящему времени наибольшие достижения в этом направлении связаны с созданием нейронных сетей для имитации различных походок у животных. Например, с помощью генетического алгоритма была создана сеть для управления движением виртуальной саламандры (Ijspeert, Arbib, 2000; Ijspeert, 2001). На сеть поступал сигнал от “глаз”. В зависимости от интенсивности сигнала походка анимата менялась, что можно рассматривать как порождение разных правил поведения одной и той же системой. Кроме того, если источник сигнала находился на периферии поля зрения “саламандры”, то она поворачивала в сторону источника. В результате анимат был способен преследовать движущуюся цель, т.е. демонстрировать еще одно правило поведения, не заданное модельерами в явном виде. Другим авторам удалось создать небольшие нейронные сети (от 2 до 10 “нейронов”), генерирующие две-три разные последовательности выходных сигналов в ответ на разные последовательности входных сигналов (Yamauchi, Beer, 1994).

В связи с динамическим подходом возникают очевидные вопросы. Как создать динамическую систему, порождающую количество правил, сопоставимое с разнообразием поведения животных, чтобы обеспечить решение реальных задач? Не будет ли сложность такой системы возрастать быстрее, чем сложность требуемого адаптивного поведения? Одно из предложенных решений состоит в том, что отдельные компоненты системы, отвечающие за отдельные формы поведения, создаются последовательно. В работе (Kodjabachian, Meyer, 1998) с помощью генетического алгоритма сначала была создана нейронная сеть, обеспечивающая управление ходьбой у виртуального шестиногого робота. Затем быль создан дополнительный модуль, где нейронная сеть преобразовывала сигналы от рецепторов запаха и передавала их первой сети, так что робот оказался способным ориентироваться по запаху. Наконец, был добавлен еще один модуль с сетью, передававшей сигнал от рецепторов прикосновения первому модулю, обеспечивая обход препятствий. Авторы показали, что робот, созданный таким “инкрементальным” путем, лучше решает задачу движения к источнику запаха с обходом препятствий, чем робот, для которого сразу создавалась общая нейронная сеть для ходьбы, обхода препятствий и ориентации на звук. Однако этот обнадеживающий результат был получен при выполнении задачи в упрощенной среде и не дает окончательного ответа вопросы, поставленные выше.

Ответа на эти вопрос пока нет, и поэтому создание действительно автономных агентов остается только перспективой. Зато можно сделать вполне определенный вывод о том, у нас отсутствует теоретическая основа для создания аниматов. На наш взгляд, главная проблема, которую требуется разрешить – это то, каким образом животные “изобретают” новые адаптивные правила поведения. Приведем такой пример. Гнездо ос было помещено в садок, где осы могли летать в другой конец садка и брать там сироп из кормушки. Одна из ос, родившаяся с укороченными крыльями, летать не могла и просто ходила к кормушке по стенке садка. Вряд ли можно предположить, что у осы имелась запасная наследственная программа пешей фуражировки. В природе осы не ходят за добычей и не имеют возможности для этого. Таким образом, оса показала себя подлинно автономным агентом, способным выйти из трудного положения, используя необычную ситуацию. Как ни прост этот пример, аниматы на такие нестандартные решения пока не способны.

Мы изложили лишь небольшую часть того, что сделано в области разработки аниматов. Тем не менее, и это краткое изложение показывает, что аниматы представляют собой полезный инструмент для изучения поведения животных. Они позволяют подвергать критической проверке наши представления о том, как организовано поведение животных, а также формулировать новые гипотезы, которые можно проверить на животных. Конечно, можно возразить, что такие гипотезы можно выдвигать, и не прибегая к экспериментам с роботами. Однако гипотезы не рождаются на пустом месте, для них нужна питательная среда и эксперименты с аниматами являются такой средой. Её не всегда могут заменить чисто биологические эксперименты, в частности потому, что не всегда возможно “увидеть” механизм, стоящий за наблюдаемым поведением животного. Аниматы уже преподнесли исследователям несколько важных уроков:

Beer, R.D. The dynamics of adaptive behavior: A research program. Robotics and Autonomous Systems. 1997. V.20. P.257-289.

http://vorlon.cwru.edu/~beer/

Beer R.D. Dynamical approaches to cognitive science. Trends in Cognitive Sciences.2000. V.4.#3.P.91-99.

Brooks, R. A. A robust layered control system for a mobile robot. IEEE Transactions on Robotics and Automation. 1986. V.2. P.14-23.

http://www.ai.mit.edu/people/brooks/brooks.html

Brooks, R. Elephants Don’t Play Chess. in P. Maes, ed., `Designing Autonomous Agents: Theory and Practice from Biology to Engineering and Back', MIT Press, Cambridge, Massachusetts, 1990, P.3-15.

Brooks R.A. New approaches to robotics. Science. 1991b. V.253. P.1227-1232.

Brooks R.A. Intelligence without representation. Artificial Intelligence. 1991a. V. 47. P.139-159.

Clark M.R., Anderson G.T., Skinner R.D. Coupled Oscillator Control of Autonomous Mobile Robots. Autonomous Robots. 2000. V.9. P.189–198.

http://robotics.ualr.edu

Gelder T. J., van. Defending the dynamical hypothesis. In W. Tschacher & J.-P. Dauwalder ed., Dynamics, Synergetics, Autonomous Agents: Nonlinear Systems Approaches to Cognitive Psychology and Cognitive Science. Singapore: World Scientific, 1999. P.13-28.

http://www.arts.unimelb.edu.au/~tgelder/Publications.html

Gelenbe E., Schmajuk N., Staddon J., Reif J. Autonomous search by robots and animals: A survey. Robotics and Autonomous Systems. 1997. V.22. P.23-34.

Gonzalez F.M., Prescott T.J., Gurney K., Humphries M., Redgrave P. An embodied model of action selection mechanisms in the vertebrate brain. In From Animals to Animats 6: Proceedings of the Sixth International Conference on Simulation of Adaptive Behavior. Meyer, J-A., Berthoz A., Floreano, D., Roitblat, H., & Wilson, S.W. (Eds.) MIT Press: Cambridge, MA. , 2000. P.157-166.

http://www.shef.ac.uk/~abrg/bg/publications.html

Grasso F., Consi T. R., Mountain D. C. , Atema J. Biomimetic Robot Lobster Performs Chemo-orientation in Turbulence Using a Pair of Spatially Separated Sensors: Progress and Challenges. Robotics and Autonomous Systems. 2000. V. 30. P.115-131.

http://biomimetics.mbl.edu/~fgrasso/short_references.html

Guillot A., Meyer J.-A. The Animat Contribution to Cognitive Systems Research. 2000a.

Guillot A., Meyer J.-A. From SAB94 to SAB2000: What's New, Animat? 2000b.

H. Jaeger: Multifunctionality: a fundamental property of behavior mechanisms based on dynamical systems. In: R. Pfeifer, B. Blumberg, J.-A. Meyer, and S.W. Wilson (eds.): From animals to animats 5: Proc. of the fifth int. conf. on simulation of adaptive behavior. MIT Press 1998, 286-290

http://www.gmd.de/People/Herbert.Jaeger/Publications.html

Ijspeert A.J., Arbib M. Visual tracking in simulated salamander locomotion, From Animals to Animats, Proceedings of the 6^th International Conference on the Simulation of Adaptive Behavior (SAB2000), Paris, September 11-15, 2000.

http://rana.usc.edu:8376/~ijspeert/publications.html

Ijspeert A.J. A coonectionist central pattern generator for the aquatic and terrestrial gaits of a simulated salamander. Biological Cybernetics. 2001. V.84. P.331-348.

Kodjabachian J., Meyer J.-A. Evolution and development of neural networks controlling locomotion, gragient-following, and obstacle avoidance in artificial insects. IEEE Transactions on Neural Networks. 1998. V.9. №4. P.796-812.

http://www-poleia.lip6.fr/ANIMATLAB/animat_accueil_eng.html

Kuwana Y., Shimoyama I., Sayama Y., Miura H. Synthesis of Pheromone-Oriented Emergent Behavior of a Silkworm Moth. Proceedings of the 1996 IEEE/RSJ International Conference on Intelligent Robots and Systems. 1996a. P.1722-1729.

http://www.leopard.t.u-tokyo.ac.jp

Kuwana Y., Shimoyama I., Sayama Y., Miura H. A Robot that Behaves like a Silkworm Moth in

the Pheromone Stream. Proceedings of the Int. Conf. Artificial Life V., 1996b. P.337 – 343.

Lambrinos D., Moller R., Labhart T., Pfeifer R. & Wehner R. A mobile robot employing insect strategies for navigation. Robotics and Autonomous Systems. 2000. V.30. P.39–64.

http://www.ifi.unizh.ch/groups/ailab/people/pfeifer.html

Lorigo L.M., Brooks R.A., Grimson W.E.L. (1997). Visually_guided obstacle avoidance in unstructured environments . In: Proceedings of IROS’97, Grenoble, France, September 1997. P.373-379.

http://www.ai.mit.edu/people/brooks/brooks.html

Lund H. H., Webb B., Hallam, J. 1998. Physical and temporal scaling considerations in a robot model of cricket calling song preference. Artificial Life. 1998. V.4. P.95–107.

http://www.dai.ed.ac.uk/sta_/personal pages/henrikl/

http://www.stir.ac.uk/Departments/HumanSciences/Psychology/Staff/bhw1/index.htm

Maes P. Modeling adaptive autonomous agents. Artificial Life Journal. 1994. V.1. #1-2. P. 135-162.

http://pattie.www.media.mit.edu/people/pattie/cv.html#publications

McFarland D.J., Boesser T. Intelligent Behaviour in Animals and Robots. MIT Press, Cambridge, MA., USA, 1993.

Morse T.M., Ferrйe T.C., Lockery, S.R. (1997). Robust spatial navigation in a robot inspired by chemotaxis in C. elegans. Adaptive Behavior. 1997. V.6. P.393-410.

http://chinook.uoregon.edu/index.html

Smithers T. Autonomy in Robots and Other Agents. Brain and Cognition. 1997. V.34. P.88–106.

Steels, L. The artificial life roots of artificial intelligence. Artificial Life Journal.1994. V.1. #1.

http://arti.vub.ac.be/steels/

Terzopoulos D., Tu X., Grzeszczuk R. Artificial Fishes: Autonomous Locomotion, Perception, Behavior, and Learning in a Simulated Physical World. Artificial Life. 1994. V.1. #4. P.327–351.

http://www.dgp.toronto.edu/people/tu/pub.html

Walker R., Miglino O. Replicating experiments in "detour behavior" with arficially evolved robots: an A-life approach to Comparative Psychology. 1999 (preprint).

Webb B. What does robotics offer animal behaviour? Animal Behaviour. 2000. V.60. P.545-558.

http://www.stir.ac.uk/Departments/HumanSciences/Psychology/Staff/bhw1/index.htm

Wilson S.W. (1991). The Animat Path to AI. In: Meyer J.A., Wilson S.W. (Eds.), From animals to animats: Proceedings of the First International Conference on Simulation of Adaptive Behavior. Cambridge, MA: The MIT Press/Bradford Books, 1991, P. 15-21.

http://world.std.com/~sw/

Yamauchi B.M., Beer R.D. Sequential behavior and learning in evolved dynamical neural networks. Adaptive Behavior. 1994. V.2. #3. P.219-246.

http://vorlon.cwru.edu/~beer/

Ziemke, T. (2001). The Construction of ‘Reality’ in the Robot: Constructivist Perspectives on Situated Artificial Intelligence and Adaptive Robotics. Foundations of Science. 2001. V.6. #1. P.163-233.

http://www.ida.his.se/ida/~tom/

International Society for Adaptive Behavior (ISAB) http://www.isab.org.uk/

Adaptive Systems Research Group http://homepages.feis.herts.ac.uk/~comqcln/ASRG.html

AI Lab, Zurich Univ., Switzerland http://www.ifi.unizh.ch/groups/ailab/

AnimatLab, Paris, France http://www-poleia.lip6.fr/ANIMATLAB/animat_accueil_eng.html

Bio-Robotic Lab, Case Western Univ., Cleveland, USA http://biorobots.cwru.edu/

COGs, Sussex Univ., UK http://www.cogs.susx.ac.uk/index.html

Laboratoire Bioinformatique, Lausanne, Switzerland http://diwww.epfl.ch/Khepera/

Los Alamos National Lab, USA http://www.nis.lanl.gov/projects/robot//

Mobile Robot Lab, Georgia Inst. Tech., USA http://www.cc.gatech.edu/ai/robot-lab/

3 Sigma Robotics http://www.3sigmarobotics.com

Randall Beer http://vorlon.cwru.edu/~beer/

Rodney Brooks http://www.ai.mit.edu/people/brooks/brooks.html

Marco Dorigo http://iridia.ulb.ac.be/~mdorigo/dorigo.html

Dario Floreano http://dmtwww.epfl.ch/isr/east/team/floreano/

Auke Jan Jjspeert http://rana.usc.edu:8376/~ijspeert/index.html

Thiemo Krink http:// www.daimi.au.dk/~krink.

George Mobus http://www.tacoma.washington.edu/css/gmobus/index.html

Stefano Nolfi http://gral.ip.rm.cnr.it/nolfi/

Luc Steels http://arti.vub.ac.be/steels/

Peter Todd http://www.mpib-berlin.mpg.de/users/ptodd/

Xiaoyuan Tu http://www.dgp.toronto.edu/people/tu/

Stewart Wilson http://world.std.com/~sw/

Tom Ziemke http://www.ida.his.se/ida/~tom/

Biomorphic Robotics: http://www.iguana-robotics.com/RobotUniverse/BiomorphicRobots.htm

Online ALife Publications http://www.cogs.susx.ac.uk/users/ezequiel/alife-page/alife.html

Zooland: The Artificial Life Resource http://alife.ccp14.ac.uk/zooland/zooland/

Complexity Papers Online http://www.calresco.org/papers.htm

From Animal to Animat 7: http://www.isab.org.uk/sab02/

Autonomous Intelligent Systems http://www.icsc-naiso.org/conferences/icais2002/index.html

Intelligent Systems and Application http://www.icsc-naiso.org/conferences/isa2002/index.html

Asia-Pacific Conference on Simulated Evolution And Learning http://www.ntu.edu.sg/home/nef/