論文の概要: Integrating Sample Inheritance into Bayesian Optimization for Evolutionary Robotics

• arxiv url: http://arxiv.org/abs/2601.03813v1
• Date: Wed, 07 Jan 2026 11:18:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.682142
• Title: Integrating Sample Inheritance into Bayesian Optimization for Evolutionary Robotics
• Title（参考訳）: 進化ロボットのためのベイズ最適化へのサンプル継承の統合
• Authors: K. Ege de Bruin, Kyrre Glette, Kai Olav Ellefsen,
• Abstract要約: 進化ロボット工学では、ロボット形態は進化アルゴリズムを使って自動的に設計される。 一般的なアプローチは、各形態のコントローラ最適化を含むことであるが、新しいボディをスクラッチから始めると、高いコントローラ学習予算が必要になるかもしれない。 制御器の最適化にベイズ最適化を用い、その効率を生かし、サンプル継承をラマルク継承の一形態として利用することでこの問題に対処する。
• 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: In evolutionary robotics, robot morphologies are designed automatically using evolutionary algorithms. This creates a body-brain optimization problem, where both morphology and control must be optimized together. A common approach is to include controller optimization for each morphology, but starting from scratch for every new body may require a high controller learning budget. We address this by using Bayesian optimization for controller optimization, exploiting its sample efficiency and strong exploration capabilities, and using sample inheritance as a form of Lamarckian inheritance. Under a deliberately low controller learning budget for each morphology, we investigate two types of sample inheritance: (1) transferring all the parent's samples to the offspring to be used as prior without evaluating them, and (2) reevaluating the parent's best samples on the offspring. Both are compared to a baseline without inheritance. Our results show that reevaluation performs best, with prior-based inheritance also outperforming no inheritance. Analysis reveals that while the learning budget is too low for a single morphology, generational inheritance compensates for this by accumulating learned adaptations across generations. Furthermore, inheritance mainly benefits offspring morphologies that are similar to their parents. Finally, we demonstrate the critical role of the environment, with more challenging environments resulting in more stable walking gaits. Our findings highlight that inheritance mechanisms can boost performance in evolutionary robotics without needing large learning budgets, offering an efficient path toward more capable robot design.
• Abstract（参考訳）: 進化ロボット工学では、ロボット形態は進化アルゴリズムを使って自動的に設計される。 これにより、ボディーブレイン最適化の問題が発生し、形態学と制御の両方を同時に最適化する必要がある。 一般的なアプローチは、各形態のコントローラ最適化を含むことであるが、新しいボディをスクラッチから始めると、高いコントローラ学習予算が必要になるかもしれない。 制御器最適化にベイズ最適化を用い,その効率と探索能力を活用し,サンプル継承をラマルク継承の一形態として利用することによって,この問題に対処する。 各形態の学習予算を意図的に低くし,(1)すべての親のサンプルを予め評価せずに使用するための子孫に転送すること,(2)親の最良のサンプルを再評価すること,の2種類のサンプル継承について検討した。 どちらも継承せずにベースラインと比較される。 以上の結果から,再評価が最善であることが明らかとなった。 分析によれば、学習予算は単一の形態学では低すぎるが、世代継承は世代毎に学習適応を蓄積することでこれを補う。 さらに、遺伝は、主に両親に類似した子孫形態学の恩恵を受ける。 最後に、より困難な環境により、より安定した歩行歩行をもたらす環境のクリティカルな役割を実証する。 以上の結果から,進化的ロボット工学における継承機構は,大きな学習予算を必要とせず,より有能なロボット設計への効率的な道筋を提供することが示唆された。

関連論文リスト

• Generational Replacement and Learning for High-Performing and Diverse Populations in Evolvable Robots [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-07T11:11:57Z)
• Bidirectional Mamba for Single-Cell Data: Efficient Context Learning with Biological Fidelity [0.39945675027960637]
  我々は、状態空間モデリングに基づいて構築された単一セル転写学のスケーラブルで効率的な基礎モデルであるGeneMambaを紹介した。 GeneMambaは、双方向の遺伝子コンテキストを線形時間複雑性でキャプチャし、トランスフォーマーベースラインよりもかなりの計算的ゲインを提供する。 我々は、マルチバッチ統合、細胞型アノテーション、遺伝子-遺伝子相関など様々なタスクにまたがってGeneMambaを評価し、高い性能、解釈可能性、堅牢性を示す。
  論文  参考訳（メタデータ） (2025-04-22T20:34:47Z)
• On the Convergence of Adam-Type Algorithm for Bilevel Optimization under Unbounded Smoothness [15.656614304616006]
  本稿では,単ループのAdam-type法であるAdamBOについて紹介する。 バイレベルを含む各種機械学習タスクについて実験を行った。 リカレントニューラルネットワーク(RNN)とトランスフォーマーによる定式化。
  論文  参考訳（メタデータ） (2025-03-05T21:16:59Z)
• Neural Lineage [56.34149480207817]
  本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。 実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。 精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
  論文  参考訳（メタデータ） (2024-06-17T01:11:53Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Meta-Auxiliary Learning for Adaptive Human Pose Prediction [26.877194503491072]
  高忠実な未来の人間のポーズを予測することは、インテリジェントロボットが人間と対話する上で決定的だ。 ディープラーニングアプローチは、通常、外部データセット上で一般的なトレーニング済みモデルをトレーニングし、すべてのテストサンプルに直接適用する。 本稿では,2つの自己監督型補助タスクを活用するテスト時間適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-13T11:17:09Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Morpho-evolution with learning using a controller archive as an inheritance mechanism [4.364091192392204]
  本稿では,ボディープランを生成する進化的アルゴリズムと,ニューラルコントローラのパラメータを最適化する学習アルゴリズムを組み合わせたフレームワークを提案する。 ランダムに初期化したものから学習するのではなく,アーカイブから適切なコントローラを継承することにより,学習の速度と規模が時間とともに大きくなることを示す。 このフレームワークはまた、進化と学習の複雑な相互作用と、ロボット設計における形態的知性の役割に関する新しい洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-09T09:32:36Z)

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。