ศาสตร์ของหุ่นยนต์มีการประยุกต์ในอุตสาหกรรม หุ่นยนต์ในอนาคตต้องสามารถปรับ ตัวเองได้เพื่อที่จะทำงานแบบใหม่ ๆ การเรียนรู้ของหุ่นยนต์เป็นหัวใจในการอำนวยให้เกิดการ ปรับตัวนั้น โครงการวิจัยนี้เป็นงานต่อเนื่องจากความพยามที่จะเข้าใจว่าหุ่นยนต์จะทำงานหลาย ๆ อย่างในโลกจริงได้อย่างไร วัตถุประสงค์ของการวิจัยนี้คือการพัฒนาวิธีการสังเคราะห์ผลเฉลยที่ ทนทานของปัญหาเกี่ยวกับการเรียนรู้ของหุ่นยนต์ วิธีการที่เราสนใจโดยเฉพาะคือการโปรแกรมพันธุกรรม ปัญหาของการเรียนรู้ของ หุ่นยนต์คือจะทำให้หุ่นยนต์ทำงานได้อย่างไรโดยไม่ใช้การโปรแกรม ปัญหานี้มีการศึกษาอย่าง ละเอียดในทศวรรษที่ผ่านมา เรามองการเรียนรู้ของหุ่นยนต์ว่าเป็นกรณีเฉพาะของปัญหาทั่วไปของ การเรียนรู้ของแมชชีน การเรียนรู้ของแมชชีนเป็นศาสตร์ย่อยของศาสตร์ปัญญาประดิษฐ์ซึ่งมี เป้าหมายสูงสุดคือ การแทนที่การโปรแกรมโดยการสอนการ โปรแกรมพันธุกรรมเป็นวิธีการเรียนรู้ โดยไม่มีครู เป็นขั้นตอนวิธีการค้นหาเอนกประสงค์ที่ใช้หลักการของพันธุกรรมประชากร เพื่อที่จะ วิวัฒน์ผลเฉลยของปัญหา งานวิจัยส่วนใหญ่ในการโปรแกรมพันธุกรรมใช้โลกจำลองในการเรียนรู้ มีปัญหาในการนำเอาผลลัพธ์ที่ได้จากโลกจำลองนี้ไปใช้ในโลกจริง กล่าวคือผลเฉลยมักจะ “เปราะ บาง” นั่นคือ สภาวะเงื่อนไขในการทำงานในโลกจริง ต้องเหมือนในโลกจำลองอย่างเคร่งครัด แม้แต่ความคลาดเคลื่อนเล็กน้อยก็จะนำไปสู่ความล้มเหลวได้ เราศึกษาปัญหานี้จาก 2 มุมมอง : การเรียนแบบออนไลน์ และการใส่สัญญาณรบกวนไปในการจำลองแบบงงานก่อน ๆ ต้องพึ่งพา แบบจำลองของโลกที่แน่นอน และห้ามมีความไม่แน่นอน งานวิจัยมีความแตกต่างจากงานอื่น ๆ ตรงที่ว่าระบบจะเรียนแบบจำลองของโลกเอง และยินยอมให้มีความไม่ แน่นอนได้ การ ประยุกต์วิธีการเรียนรู้ของหุ่นยนต์อย่างเหมาะสมสามารถทำให้เกิดประสิทธิภาพสูงในระบบ อัตโนมัติ ซึ่งอาจมีผลตอบแทนที่สูงในการใช้งานอุตสาหกรรม Robotics undoubtedly has an important application in industry. The robot in the future must be adaptable to be able to perform many novel tasks. Robot learning is the key issue in providing that adaptability. This research project aim to understand how a robot can perform many tasks in the real world. The aim of this research is to develop methods to generate robust solutions for the problems in robot learning. The technique that we concentrate on is genetic programming. The problem of robot learning is how to make robots to do tasks without explicitly programming them. It has been intensively studied for the last decade. We view robot learning as a special case of the general problem of "machine learning". Machine learning is a sub-field of artificial intelligence (AI), whose ultimate goal is to replace explicit programming by "teaching". Genetic programming is a unsupervised learning method. It is a generalpurpose search algorithm that uses principles inspired by population genetics to evolve solutions to problems. Most of the work in genetic programming research use the simulated world to perform learning and there is problems of transferring the result from the simulated world to the real world. The solution is brittle, i.e. the condition for the actual run of a robot program in the real world must be exactly the same as in the simulation, even a small deviation can lead to failure. We attack the problem of how to use genetic programming to generate robust solutions for robot learning from two perspectives : on-line learning and introducing perturbation into simulation. The previous works mostly rely on accurate world model, disallow uncertainty. Our work is different that the system learn the world model and allow uncertainty in the system. An appropriate application of robot learning concept can yield a higher performance in automation which might prove to be very cost effective for many applications in industries.