机器人的高效自动设计
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
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
本文提出了一种基于模型无关元强化学习的设计优化框架，以及其应用于四足机器人运动学和执行器参数优化的方法，结果表明我们的元策略能够控制不同设计的机器人在多种复杂路况下实现随机速度命令的跟踪，而且相比于基于模型的基准线方法，我们的方法不受预定义动作或步态模式的约束，能够提供更高的性能。
Oct, 2022
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
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
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
通过深度强化学习和进化形态学，本研究探索了一种新型的过约束机器的设计与学习，旨在开发具有卓越能量效率的现代机器人四肢设计。研究结果显示，相较于平面四肢，在不同地形上，包括地板、斜坡和楼梯，过约束四肢的运动更加高效，至少可节省22%的机械能量，在平地上的平均速度是平面四肢的20%更快。
Jul, 2024
RoboMorph是一种利用大型语言模型和进化算法生成和优化模块化机器人设计的自动化方法，通过自动提示设计和基于强化学习的控制算法，RoboMorph通过反馈循环迭代改进机器人设计，实验结果表明，RoboMorph能够成功生成优化于单一地形的非平凡机器人，并展示了形态学在连续进化中的改进，该方法显示了使用大型语言模型来进行数据驱动和模块化机器人设计的潜力，为类似设计框架的其他领域提供了有希望的方法论。
Jul, 2024