本文提出了一种名为 AutoTruss 的两阶段框架，利用蒙特卡洛树搜索和强化学习等方法，能够高效地生成轻量、有效的桁架布局设计。在 2D 和 3D 的案例测试中，AutoTruss 的性能优于基于复杂度较低的设计。

Jun, 2023

我们提出一种基于神经网络的图演化算法，在解决自动机器人设计中的组合问题和评估困难问题方面具有优越性能。与以往方法不同，我们使用图神经网络对控制策略进行参数化，同时运用包含模型不确定性的图突变技术，在探索与开发之间达到平衡，从而在单一机器上一天之内高效地解决搜索问题。

Jun, 2019

本文使用镜像下降引导策略搜索的新扩展应用于周期性运动中，展示了如何自动学习运动步态，并在 SUPERball 张力机器人的运动中展示了我们方法的有效性。

Sep, 2016

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

本文提出了使用计算机辅助有限元分析进行机械桁架的几何优化，利用贝叶斯优化算法使桁架的形状在不产生应力的情况下，最大化其承载能力，以提供基于人工智能的优化的研究方法。

May, 2023

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

使用生成性神经网络解决多条件 3D 设计重建问题，通过训练条件变分自编码器和应用 Marching cubes 算法进行模拟评估，展示在自定义功能条件下生成优化设计的能力。

Nov, 2023

智能张力完整性研究了基于张力的系统在动态探索不平衡和不可预测环境，尤其是空间探索方面的应用，通过深度学习模型和大型语言模型实现了自感应张力结构，使用的多模态应变传感器数量为 24 个。

Jun, 2024

本研究旨在找到同时考虑大小和布局变量的桁架结构的最佳设计。本文应用了一种结合更新过程和蒙特卡罗树搜索的强化学习方法，称为更新蒙特卡罗树搜索（UMCTS），用于解决桁架结构的大小和布局优化问题。UMCTS 的验证和效率在平面和空间桁架的基准问题上得到了测试，并且与分支定界法相比，UMCTS 的计算时间快了两倍。数值结果表明，所提出的方法稳定地获得了比其他传统方法更好的解决方案。

Sep, 2023

本文提出了一种基于实体机器人和物理模拟引擎相结合的 Real2Sim2Real 方法，可以在有限的数据下训练物理模拟引擎以发现转移的运动策略，并通过采用轨迹分段技术，计算接触点的非零梯度，并避免了训练过程中的梯度评估冲突。该方法在三根杆条张力机器人中得到了证明和评估

Sep, 2022