形态发育如何指导进化
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
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
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
通过竞争进化 (CompetEvo),能够使代理体在多智能体竞争场景中进化出满足战斗需求的适宜设计和策略,相较于固定形态的代理体,在战斗场景中获得优势,并展现出异形对峙时产生的惊人和印象深刻行为。
May, 2024
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
本论文提出了 Taak-duality,一种将生态和基因型 / 表型类型都考虑在内的术语,并利用这种等价关系研究了高度一般化类型的生态进化轨迹,分析了有向进化的效率潜在限制。
May, 2023
本文探讨了一种模块化协同进化策略,通过多个原始代理的动态自组装进而形成复合体来控制机动物体,与传统复杂代理的学习方法不同。作者通过在模拟环境中进行实验,展示了这一方法比静态和单片基线更好地适应环境变化和测试时间变化的性能。
Feb, 2019