介绍了一种智能的试错算法，使机器人能够在受损后在不到两分钟内适应受损，并没有要求自诊断或预先指定应急计划。该算法可用于治疗五种不同方式的受损以及 14 种不同关节损伤的机械臂，能够让机器人更加稳健、高效和自主，同时也启示了使用自我适应原则的动物。

Jul, 2014

本文研究软机器人的形状变形如何实现在平坦和倾斜表面上的运动，通过模拟、仿真和实物实验，我们探索了该机器人在不同环境中运动的表现和性能，并发现形状变形使机器人在模拟和实际环境中比不变形机器人更优秀。

Aug, 2020

机器人共同设计是一个新兴的研究领域，尤其在软体机器人方面有巨大应用潜力，本文提出了一种基于增强学习的高维度算法来控制软体机器人的形态变化，同时引入了一个 RL 基准，展示了通过该算法使机器人在序列中多次改变形态的方法。

Jan, 2024

通过人工进化确定损坏机器人系统的最佳行进方式，结果表明机械振动推进器的最佳调整可能与自然中的游泳者和飞行者不一致。

Feb, 2024

受动物形态适应的必要性的启发，一系列工作试图拓展机器人训练，以涵盖机器人设计的物理方面。然而，目前只有旋转或调整既定和静态拓扑属的肢体的强化学习方法。本文展示了一种设计具有任意外部和内部结构的自由形态机器人的策略梯度方法，通过使用放置或移除原子建筑块束以形成高级非参数宏结构，如附件、器官和腔室。尽管仅提供了开环控制的结果，但我们讨论了如何将该方法改进为闭环控制，并在未来实现从模拟到真实物理机器的转移。

Oct, 2023

该论文提出了一种名为 “Reset-free Trial-and-Error” 的新型学习算法，有效解决了复杂机器人在面对硬件损坏后无法恢复运动能力的问题，而且该算法实现自主学习，能够在不同环境中快速适应。

Oct, 2016

通过在未知环境下实现感知、高层规划和模块化硬件的集成，我们展示了一种模块化机器人系统，能够通过反应式重新配置来完成高级任务。该系统在三次硬件演示中得到验证，为模块化自重构机器人应对现实世界任务的设计奠定了基础。

Sep, 2017

该论文引入一种基于强化学习的先导教师 - 学生框架，称为 Actuator Degradation Adaptation Transformer（ADAPT），旨在解决实际部署四足机器人上的问题。这个框架产生了一种统一的控制策略，使机器人能够在关节执行器突然故障的情况下维持其运动，并在依赖于内部传感器的情况下执行任务。对 Unitree A1 平台进行的实证评估验证了 ADAPT 在真实环境中对四足机器人的可部署性和有效性，并证实了我们方法的鲁棒性和实用性。

Dec, 2023

该论文提出基于进化算法进行机器人设计的新方法，通过随机生成初始身体结构，能够优化设计一种可行的四足机器人结构，具备高效行走能力，并通过自动化制造实现机器人的快速设计制造和部署。

Jun, 2023

本文提出了一种基于深度强化学习和软演员 - 评论家算法的全新方法：将机器人形态与其控制器自动高效地协同适应，以降低试验形态与行为的数量，并使用先前测试过的形态和行为来估计新候选形态的性能，该方法在真实世界中实现机器人设计的协同适应尤为适用。

Nov, 2019