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

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

该论文介绍了一种新颖且通用的动态质量多样性 (Dynamic QD) 方法，旨在在环境发生变化的情况下更新过去解决方案的存档，并将其应用于进化搜索的动态环境。

Apr, 2024

研究了生物的不同子系统，着重在机器人中实现了一种简化的发育模型并确定了其能够增加进化性的作用。

Jun, 2017

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

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。

Jan, 2022

利用进化计算方法对机器人外骨骼设计进行优化，特别是在优化下驱动式手部外骨骼 (U-HEx) 的性能和可用性方面，结果显示进化计算方法在较短时间内持续提供精确和最佳解决方案，显著提高了转移给用户的扭矩大小和设备效率。

Mar, 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

通过优化遗传算法，模拟物种在环境中的进化与自然选择，研究物种间相互作用，预测未来的变化，寻找生物进化的途径及其应用。

Sep, 2022

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