通过广度优先搜索和随机查询探索机器人形态空间
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
本文探讨了一种模块化协同进化策略，通过多个原始代理的动态自组装进而形成复合体来控制机动物体，与传统复杂代理的学习方法不同。作者通过在模拟环境中进行实验，展示了这一方法比静态和单片基线更好地适应环境变化和测试时间变化的性能。
Feb, 2019
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
18世纪生物学家Lamarck理论与遗传学相关性研究，发现Lamarck主义的进化动力学能够增强机器人体能获取良好智能的能力，并证明了新生机器人与身体相匹配的遗传大脑使其在适应性方面具有更高的优势。
Sep, 2023
应用LON分析揭示了三种不同编码在机器人演化运动任务中所引发的适应度景观的结构，首次揭示了在Morpho-evolution领域中使用LON分析，这将有助于未来定制ME景观的新算法或操作符的设计。
Feb, 2024
研究和利用机器人系统中的形态对称性，证明其对机器学习模型的样本效率和泛化能力有显著影响，并将机器人动力学分解为低维度、独立动力学，为机器人学中的建模、控制、估计和设计提供了新的物理信息几何先验。
Feb, 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
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