May, 2024

CompetEvo: 走向基于竞争的形态进化

PDF
TL;DR通过竞争进化 (CompetEvo)，能够使代理体在多智能体竞争场景中进化出满足战斗需求的适宜设计和策略，相较于固定形态的代理体，在战斗场景中获得优势，并展现出异形对峙时产生的惊人和印象深刻行为。
adaptationco-optimizationcompetitive evolutionmultiagent competitionmorphology
发现论文，激发创造
  • 竞争性多智能体搜索的进化策略

    本文以智能搜索技术在人机系统中的应用为出发点，提出了一种新的多智能体协作搜索方法，并通过实验结果表明，该方法优于传统的手动设计策略和传统树状搜索方法，并能够用于研究不同的人类创造性活动。

    Jun, 2023

  • 约束进化体现神经智能的共同设计

    通过深度强化学习和进化算法以及用户控制相结合的方法，介绍了一种创新的协同设计方法，以形态属性和运动为自主移动代理提供良好的设计和行为。

    May, 2022

  • 任务不可知的形态进化

    本文介绍了一种新方法 TAME，可以通过对一些 agent 应用基本的随机动作，无需任务或奖励指定，通过一个信息理论追踪代理人的能力，解决目前协调形态和行为的策略优化方法需要昂贵的劳动力以及经常生成无法推广的特定任务的形态的问题，并通过实验证明 TAME 可以在 2D、3D 和操作环境中进化与任务监督算法学习的形态相匹配的形态。

    Feb, 2021

  • 机体机器形态与控制可扩展共同优化

    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

  • 形态发育如何指导进化

    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

  • 竞争生存环境下的多智能体相互作用

    本研究采用多智能体相互作用的方法，开发了一个可扩展的具有现实物理和人类相关语义的竞争环境，旨在解决强探索环境中的问题，并进行了多项实验以获得简单的新兴策略和未来改进的具体方向。

    Jan, 2023

  • 进化复杂化促进竞争协同进化

    本文通过 NeuroEvolution of Augmenting Topologies（NEAT）方法在协同进化的机器人对战领域进行应用，证明复杂化的进化方式可以更好地发现和改进复杂问题的解决方案，因此我们应该让进化和搜索复杂化并优化以发现和改进复杂问题的解决方案。

    Jun, 2011

  • 通过学习和进化实现具身智能

    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

  • EvoAgent：通过进化算法实现自动多智能体生成

    通过应用进化算法，EvoAgent 可以自动将专家代理扩展为多代理系统，从而提高基于大型语言模型的代理在解决任务中的效力。

    Jun, 2024

  • 通过局部最优网络理解形态进化中的适应度景观

    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