論文の概要: Evolving Embodied Intelligence: Graph Neural Network--Driven Co-Design of Morphology and Control in Soft Robotics

• arxiv url: http://arxiv.org/abs/2603.19582v1
• Date: Fri, 20 Mar 2026 02:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.950172
• Title: Evolving Embodied Intelligence: Graph Neural Network--Driven Co-Design of Morphology and Control in Soft Robotics
• Title（参考訳）: 身体知の進化: グラフニューラルネットワークによるソフトロボティクスにおける形態と制御の共設計
• Authors: Jianqiang Wang, Shuaiqun Pan, Alvaro Serra-Gomez, Xiaohan Wei, Yue Xie,
• Abstract要約: 形態学とコントローラの共設計のためのグラフネットワークに基づくアプローチを開発した。 形態を意識したポリシーにより、コントローラーは体が変異した時に適応できる。 以上の結果から, グラフ構造化ポリシは, 進化形態学とインテリジェンス制御とのより効果的なインターフェースを提供することが示された。
• 参考スコア（独自算出の注目度）: 6.430010925167459
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The intelligent behavior of robots does not emerge solely from control systems, but from the tight coupling between body and brain, a principle known as embodied intelligence. Designing soft robots that leverage this interaction remains a significant challenge, particularly when morphology and control require simultaneous optimization. A significant obstacle in this co-design process is that morphological evolution can disrupt learned control strategies, making it difficult to reuse or adapt existing knowledge. We address this by develop a Graph Neural Network-based approach for the co-design of morphology and controller. Each robot is represented as a graph, with a graph attention network (GAT) encoding node features and a pooled representation passed through a multilayer perceptron (MLP) head to produce actuator commands or value estimates. During evolution, inheritance follows a topology-consistent mapping: shared GAT layers are reused, MLP hidden layers are transferred intact, matched actuator outputs are copied, and unmatched ones are randomly initialized and fine-tuned. This morphology-aware policy class lets the controller adapt when the body mutates. On the benchmark, our GAT-based approach achieves higher final fitness and stronger adaptability to morphological variations compared to traditional MLP-only co-design methods. These results indicate that graph-structured policies provide a more effective interface between evolving morphologies and control for embodied intelligence.
• Abstract（参考訳）: ロボットの知的行動は、制御システムだけでなく、体と脳の密結合によってもたらされる。 この相互作用を利用するソフトロボットの設計は、特に形態学と制御が同時最適化を必要とする場合、依然として重要な課題である。 この共同設計プロセスにおける大きな障害は、形態的進化が学習された制御戦略を妨害し、既存の知識の再利用や適応が困難になることである。 形態学とコントローラの共設計のためのグラフニューラルネットワークに基づくアプローチを開発することで、この問題に対処する。 各ロボットはグラフとして表現され、ノード特徴を符号化するグラフアテンションネットワーク(GAT)と、多層パーセプトロン(MLP)ヘッドを通過してアクチュエータコマンドや値推定を生成するプール表現とを備える。 共有GAT層は再利用され、MDP隠蔽層は無傷で転送され、マッチしたアクチュエータ出力はコピーされ、未マッチング層はランダムに初期化され、微調整される。 この形態を意識したポリシークラスは、ボディがミュートされたときにコントローラを適応させる。 このベンチマークでは,従来のMDPのみの設計手法と比較して,GATに基づくアプローチにより最終適合性が向上し,形態的変化への適応性が向上する。 これらの結果は, グラフ構造化政策が, 進化形態学とインテリジェンス制御とのより効果的なインターフェースを提供することを示している。

関連論文リスト

• EvoMesh: Adaptive Physical Simulation with Hierarchical Graph Evolutions [61.89682310797067]
  EvoMeshは、グラフ階層と物理力学を共同で学習する、完全に差別化可能なフレームワークである。 EvoMeshは、最近の固定階層メッセージパッシングネットワークよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:18:00Z)
• CUDA-Accelerated Soft Robot Neural Evolution with Large Language Model Supervision [0.0]
  本稿では,新しいニューラルネットワーク進化アプローチにより,ソフトロボットの形状と制御を共設計するという課題に対処する。 そこで本研究では,ソフトロボットを暗黙的に二重符号化する革新的な手法を提案し,形態学と制御の同時設計を容易にする。 また,進化過程において制御センタとして機能する大規模言語モデルも導入する。
  論文  参考訳（メタデータ） (2024-04-12T19:24:06Z)
• Todyformer: Towards Holistic Dynamic Graph Transformers with Structure-Aware Tokenization [6.799413002613627]
  Todyformerは、動的グラフに適したトランスフォーマーベースのニューラルネットワークである。 メッセージパッシングニューラルネットワーク(MPNN)のローカルエンコーディング能力とトランスフォーマーのグローバルエンコーディング能力を統合する。 Todyformerは、ダウンストリームタスクの最先端メソッドよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-02T23:05:30Z)
• 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)
• Spectral Transform Forms Scalable Transformer [1.19071399645846]
  この研究は自己注意の哲学から学び、情報的長距離時間相互作用を用いた効率的なスペクトルベースの神経ユニットを提案する。 開発されたスペクトルウィンドウユニット(SW)モデルは、保証された効率でスケーラブルな動的グラフを予測する。
  論文  参考訳（メタデータ） (2021-11-15T08:46:01Z)
• My Body is a Cage: the Role of Morphology in Graph-Based Incompatible Control [65.77164390203396]
  本稿では,グラフにエンコードされた形態情報により,その性能が向上しないことを示す既存手法に関する一連のアブリケーションを示す。 グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、Amorpheusも提案する。
  論文  参考訳（メタデータ） (2020-10-05T08:37:11Z)

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。