Jan, 2022

Evolution Gym：用于进化软体机器人的大规模基准

PDF
TL;DR本文提出第一个针对软性机器人设计和控制的大规模 benchmark Evolution Gym，提出了结合了最新设计优化方法和深度强化学习技术的机器人 co-evolution algorithms。在 benchmark 上测试算法，观察到随着进化的进行，机器人表现出越来越复杂的行为和设计，其中最佳设计成功解决了许多任务，但所有经过测试的算法均未能找到在最难的环境中成功的机器人，这表明需要更高级的算法来探索高维度设计空间和进化越来越智能的机器人，期望 Evolution Gym 能加速该领域的进展。
co-optimizing design and controlsoft robotsbenchmark platformrobot co-evolution algorithmsintelligent robots
发现论文，激发创造
  • 可微分机器人的演化与学习

    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

  • DittoGym: 学习控制柔性变形机器人

    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

  • SoftGym: 可变形物体操纵深度强化学习基准测试

    本文介绍了 SoftGym，一个开源的、用于操纵可变形物体的模拟基准测试集。它可以用于研究深度强化学习技术在高位状态表示和复杂动态环境下的可行性，并且本文针对用于解决这一问题的算法进行了实验和分析。

    Nov, 2020

  • AgentGym：基于大型语言模型的智能体在多样环境中的进化

    构建能够处理多样化任务并在不同环境中自我演进的通用智能体是人工智能领域的长期目标。本文提出了 AgentGym，一个新的框架，具备多样的环境和任务，用于广泛、实时、统一格式和并行的智能体探索。并且，我们还提出了一种名为 AgentEvol 的新方法，研究智能体在任务和环境中自我演进的潜力。实验结果表明，演进的智能体能够达到与最先进模型相当的结果。

    Jun, 2024

  • 约束进化体现神经智能的共同设计

    通过深度强化学习和进化算法以及用户控制相结合的方法，介绍了一种创新的协同设计方法，以形态属性和运动为自主移动代理提供良好的设计和行为。

    May, 2022

  • 探究机器人设计对学习和神经控制的影响

    通过设计机器人体形，可以在多任务场景下克服神经控制器所遇到的许多问题，从而实现设计更通用、需要更少计算力的机器人。

    Jun, 2023

  • SoftZoo: 一个软体机器人共设计基准，用于在多样化环境中进行运动

    SoftZoo 是一个理解软体机器人内在设计和性能权衡的全面虚拟平台，支持多种环境和任务，提供不同 iable 的设计表示和协同设计算法的基准测试，可用于开发和设计软体机器人的行为和形态智能。

    Mar, 2023

  • safe-control-gym：机器人安全学习控制和强化学习一个统一的基准测试套件

    提出了一个名为 safe-control-gym 的新开源基准套件，支持模型和数据驱动控制技术，在 3 个动态系统和 2 个控制任务上提供实现，并建议将 OpenAI 的 Gym API 扩展为支持符号动态和限制条件的查询，并演示如何使用 safe-control-gym 来量化比较传统控制、基于学习的控制和强化学习的多种方法的控制性能、数据效率和安全性。

    Sep, 2021

  • 基于神经进化的强化学习质量多样性算法基准测试

    本文提出了一个深度神经进化强化学习机器人控制的质量多样性基准套件，包括任务，环境，行为描述符和适应性。基准使用标准的质量多样性指标，优势和档案概要指标来量化覆盖和适应度之间的关系，同时介绍了相对于环境随机性的解决方案的健壮性度量方式。我们相信本基准是一个有价值的工具，可以用于比较和改进研究结果。

    Nov, 2022

  • 受环境影响的演化群体具有有限感知能力的集体行为出现

    本文研究了机器人群体控制器的设计，并探索了一种进化方法来缓解人类开发者对控制器细节和群体行为之间联系的困难。使用微分进化来发展神经网络控制器，实现机器人遵循环境特征的梯度并解决任务。研究表明，进化所得解决方案在控制较差的情况下具有最大的灵活性，而有一个群体规模的 “甜蜜点”，同时观察到群体的集体运动，展示了真正的新兴行为，这是进化过程中未被代表和选择的。

    Mar, 2022