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

该研究报道了一种之前未知的现象，即进化发现了对控制变化具有鲁棒性的身体计划，这些身体计划成为遗传上同化的，但这些代理人的控制器并未被同化。这发现对于人工和实体代理人的进化设计有影响，如机器人对其控制器内部变化具有鲁棒性，也可能对其环境的外部变化具有鲁棒性。

Nov, 2017

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

我们引入 DERL，一种新的计算框架，通过仅利用低级别自我感知信息，可以演化出多样化的智能体形态，用于学习复杂环境下的运动和操作任务，并展示了环境复杂度、形态智能和控制可学性之间的关系。

Feb, 2021

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

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

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

本文探讨了进化和强化学习之间的联系和影响，并强调了强化学习原理提高对进化和反馈在进化系统中作用的理解的潜力。

Jun, 2023

本文介绍了 Lamarckian 平台，该平台支持分布式计算和异步进化强化学习，并在 Google 足球游戏和乒乓游戏上进行了基准测试，表明 Lamarckian 平台在采样效率和训练速度方面具有优势，同时提供了两个应用示例：生成行为多样化的游戏 AI 和测试异步商业游戏的平衡性。

Sep, 2022

我们提出了基于进化博弈理论考虑的两种多智能体强化学习算法的变体。 一个变体的有意简化使我们能够证明它与一类常微分方程系统的复制子 - 变异体动力学的关系，从而通过它的常微分方程对应项在各种环境中展示了该算法的收敛条件。相较于更复杂的算法，另一个更复杂的变体允许与 Q 学习算法进行比较。我们在一系列环境中通过实验将这两个变体与 WoLF-PHC 和频率调整的 Q 学习进行比较，展示了我们的变体在维度增加的情况下保持收敛性的实例与更复杂算法的对比。解析结果的可用性相对于纯经验案例研究提供了一定的可转移性，展示了在处理收敛性和可靠的推广问题时，动力系统视角对多智能体强化学习的普适性。

May, 2024