一个极简的发展模型可以提高软体机器人的进化能力
该研究报道了一种之前未知的现象，即进化发现了对控制变化具有鲁棒性的身体计划，这些身体计划成为遗传上同化的，但这些代理人的控制器并未被同化。这发现对于人工和实体代理人的进化设计有影响，如机器人对其控制器内部变化具有鲁棒性，也可能对其环境的外部变化具有鲁棒性。
Nov, 2017
该研究探讨并展现了一种新的技术 ——“形态创新保护”，可协同优化机器人的结构和控制策略并避免局部最优解来提高机器人的行为性能，促进了自动化机器人设计和行为训练，同时为研究实体认知理论提供了实验检验的平台。
Jun, 2017
通过大规模并行可微分仿真，利用遗传算法对机器人进行自动设计，通过优化机器人的行为并探索不同机械结构的变化，发现进化可产生逐渐可微分的机器人，在实体机器人上验证了优化行为的可行性，从而拓宽了我们对生物系统中进化和学习之间关系以及机器人物理结构对策略训练能力影响的理解。
May, 2024
本研究通过与发展心理学家合作的定向实验，了解婴儿如何获得第一次的 “感觉 - 运动身体知识”，进而构建具有传感器官的计算模型，对多模态身体表示学习、适应和操作的机制进行研究，提出了自我接触和自我观察的办法，开发了一个校准工具箱，并在多个机器人平台上进行了实验验证，最终研究了周围空间与人类和机器人的安全合作的可能性。
Nov, 2022
本文介绍了一种强大的进化系统，对不同环境下行走和游泳软机器人的任意形态进化进行了广泛研究，按照三组实验的方式进行探究。结果表明，不同材料在进化软体运动方面具有不同的影响，在我们简化的物理世界中，更加坚硬的机器人在陆地上的步态和形态更为复杂和有效，在水中表现也更好。研究还提出了关于环境转换对形态再适应现象的有趣观察，并指出了在陆地 - 水和水 - 陆转换之间的潜在不对称性：第一种转换似乎具有不利影响，而第二种转换似乎有某些益处。
Nov, 2017
本研究探讨了拉马克系统在进化机器人技术中的整合，并与传统的达尔文模型在各种环境中进行比较。通过采用拉马克原理，在机器人继承学习特性的基础上，结合没有继承的达尔文学习，在动态环境下研究适应性。我们的研究在六种不同的环境设置中进行，证明了拉马克系统在适应性和效率方面优于达尔文系统，特别是在具有挑战性的条件下。我们的分析突出了控制器和形态进化与环境适应之间的相互作用的关键作用，父子相似性以及学习前后的新生儿和幸存者提供了对特性继承有效性的深入理解。我们的研究结果表明，拉马克原理可以显著推进自治系统设计，在复杂的实际应用中提供更具适应性和强大的机器人解决方案的潜力。同时，我们使用实际物理机器人验证了这些理论洞察力，填补了仿真和实际应用之间的鸿沟。
Mar, 2024
我们引入 DERL，一种新的计算框架，通过仅利用低级别自我感知信息，可以演化出多样化的智能体形态，用于学习复杂环境下的运动和操作任务，并展示了环境复杂度、形态智能和控制可学性之间的关系。
Feb, 2021
本文介绍一种神经网络成长的过程，通过一种类似于生物发育的过程，使用神经发育程序 (NDP) 作为一种引导机制，进而自我组织神经网络。作者还探讨了这种方法在不同优化方法（进化训练，在线 RL，离线 RL 和监督学习）和不同机器学习基准上的实验表现，并强调了自组织驱动神经网络成长所带来的未来研究方向和机会。
Jul, 2023
18 世纪生物学家 Lamarck 理论与遗传学相关性研究，发现 Lamarck 主义的进化动力学能够增强机器人体能获取良好智能的能力，并证明了新生机器人与身体相匹配的遗传大脑使其在适应性方面具有更高的优势。
Sep, 2023