論文の概要: Generational Replacement and Learning for High-Performing and Diverse Populations in Evolvable Robots

• arxiv url: http://arxiv.org/abs/2601.03807v1
• Date: Wed, 07 Jan 2026 11:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.68063
• Title: Generational Replacement and Learning for High-Performing and Diverse Populations in Evolvable Robots
• Title（参考訳）: 進化型ロボットにおける高性能・多機能集団の世代交代と学習
• Authors: K. Ege de Bruin, Kyrre Glette, Kai Olav Ellefsen,
• Abstract要約: 本研究では,世代交代と生活内学習を組み合わせることで,性能を維持しながら多様性を向上できることを示す。 また,形態的に進化するロボットの学習におけるパフォーマンス指標の重要性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary Robotics offers the possibility to design robots to solve a specific task automatically by optimizing their morphology and control together. However, this co-optimization of body and control is challenging, because controllers need some time to adapt to the evolving morphology - which may make it difficult for new and promising designs to enter the evolving population. A solution to this is to add intra-life learning, defined as an additional controller optimization loop, to each individual in the evolving population. A related problem is the lack of diversity often seen in evolving populations as evolution narrows the search down to a few promising designs too quickly. This problem can be mitigated by implementing full generational replacement, where offspring robots replace the whole population. This solution for increasing diversity usually comes at the cost of lower performance compared to using elitism. In this work, we show that combining such generational replacement with intra-life learning can increase diversity while retaining performance. We also highlight the importance of performance metrics when studying learning in morphologically evolving robots, showing that evaluating according to function evaluations versus according to generations of evolution can give different conclusions.
• Abstract（参考訳）: 進化型ロボティクス(Evolutionary Robotics)は、形態と制御を最適化することで、特定のタスクを自動的に解決するロボットを設計することができる。 しかし、この身体と制御の協調最適化は、コントローラーが進化する形態に適応するのにある程度の時間を必要とするため、新しい、将来有望な設計が進化する人口に入るのを難しくする可能性があるため、難しい。 これに対する解決策は、進化する個体群の各個人に、追加のコントローラ最適化ループとして定義された人生内学習を追加することである。 関連する問題は、進化が探索を早すぎるといくつかの有望な設計に絞り込むため、進化する個体群でしばしば見られる多様性の欠如である。 この問題は、子孫ロボットが全人口を置き換える、完全な世代交代を実装することで緩和することができる。 多様性を増すこのソリューションは通常、エリート主義を使うよりもパフォーマンスを低下させるコストがかかる。 本研究では,このような世代交代と生活内学習を組み合わせることで,性能を維持しながら多様性を向上できることを示す。 また,形態的に進化するロボットにおける学習の学習におけるパフォーマンス指標の重要性を強調し,機能評価と進化の世代による評価が異なる結論を与えることを示した。

関連論文リスト

• Toward Humanoid Brain-Body Co-design: Joint Optimization of Control and Morphology for Fall Recovery [55.951691393378354]
  フォールリカバリのためのスケーラブルなヒューマノイド共同設計フレームワークであるRoboCraftを提案する。 複数の設計にまたがって事前訓練された共有ポリシーは、ハイパフォーマンスな形態に対して徐々に微調整される。 実験の結果、RoboCraftは7つの公用ヒューマノイドロボットで平均44.55%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2025-10-25T15:40:18Z)
• Evolution and learning in differentiable robots [0.0]
  我々は、異なるシミュレーションを用いて、多数の候補体計画において、行動の個々の神経制御を迅速かつ同時に最適化する。 個体群における各ロボットの機械的構造の変化は,探索の外ループに遺伝的アルゴリズムを適用した。 シミュレーションで発見された非常に微分可能な形態の1つは、物理ロボットとして実現され、その最適化された振る舞いを維持できた。
  論文  参考訳（メタデータ） (2024-05-23T15:45:43Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• Universal Morphology Control via Contextual Modulation [52.742056836818136]
  異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。 既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。 本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:04:12Z)
• Co-evolving morphology and control of soft robots using a single genome [0.0]
  本稿では,ロボットの形態と制御を共進化させる新しい手法を提案する。 本手法は,1つのゲノムからエージェントの「脳」と「体」の両方を抽出し,それらを同時に開発する。 提案手法を4つのタスクで評価し,探索空間が大きくても1つのゲノムを持つと進化過程の収束が早くなることを示した。
  論文  参考訳（メタデータ） (2022-12-22T07:34:31Z)
• Co-optimising Robot Morphology and Controller in a Simulated Open-Ended Environment [1.4502611532302039]
  エージェントがロコホートする環境の変化が形態の収束にどのように影響するかを示す。 オープンエンド進化環境において進化するエージェント集団は,手作り環境において進化するエージェント集団よりも大きな形態的多様性を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-07T11:28:23Z)
• Population-Based Evolution Optimizes a Meta-Learning Objective [0.6091702876917279]
  メタラーニングと適応的進化性は,一連の学習繰り返しの後,高い性能を最適化する。 我々は、この主張を単純な進化的アルゴリズム、Population-Based Meta Learningで実証する。
  論文  参考訳（メタデータ） (2021-03-11T03:45:43Z)
• Rapidly Adaptable Legged Robots via Evolutionary Meta-Learning [65.88200578485316]
  本稿では,ロボットが動的変化に迅速に適応できるメタ学習手法を提案する。 提案手法は高雑音環境における動的変化への適応性を著しく改善する。 我々は、動的に変化しながら歩くことを学習する四足歩行ロボットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-03-02T22:56:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。