論文の概要: Robots Need Some Education: On the complexity of learning in evolutionary robotics

• arxiv url: http://arxiv.org/abs/2604.04196v1
• Date: Sun, 05 Apr 2026 17:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.976341
• Title: Robots Need Some Education: On the complexity of learning in evolutionary robotics
• Title（参考訳）: ロボットは教育を必要とする:進化ロボット学における学習の複雑さについて
• Authors: Fuda van Diggelen,
• Abstract要約: Evolutionary RoboticsとRobot Learningは、ロボットのデザインを自動的に最適化することを目指している。 進化過程に学習を導入する効果はよく理解されていない。 この論文は、これらの複雑さを調査し、進化的ロボティクスの文脈のために開発されたいくつかの学習アルゴリズムを提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Evolutionary Robotics and Robot Learning are two fields in robotics that aim to automatically optimize robot designs. The key difference between them lies in what is being optimized and the time scale involved. Evolutionary Robotics is a field that applies evolutionary computation techniques to evolve the morphologies or controllers, or both. Robot Learning, on the other hand, involves any learning technique aimed at optimizing a robot's controller in a given morphology. In terms of time scales, evolution occurs across multiple generations, whereas learning takes place within the `lifespan' of an individual robot. Integrating Robot Learning with Evolutionary Robotics requires the careful design of suitable learning algorithms in the context of evolutionary robotics. The effects of introducing learning into the evolutionary process are not well-understood and can thus be tricky. This thesis investigates these intricacies and presents several learning algorithms developed for an Evolutionary Robotics context.
• Abstract（参考訳）: Evolutionary RoboticsとRobot Learningは、ロボットデザインの自動最適化を目的としたロボット工学の2つの分野だ。 両者の主な違いは、最適化されているものと関連する時間スケールにある。 進化ロボティクス(Evolutionary Robotics)は、形態学やコントローラの進化に進化計算技術を適用する分野である。 一方、ロボット学習は、与えられた形態においてロボットのコントローラを最適化することを目的とした学習技術を含む。 時間スケールの観点では、進化は複数の世代にわたって起こるが、学習は個々のロボットの「ライフスパン」内で行われる。 進化ロボティクスとロボット学習を統合するには、進化ロボティクスの文脈で適切な学習アルゴリズムを慎重に設計する必要がある。 進化過程に学習を導入する効果は十分に理解されておらず、難易度が高い。 この論文は、これらの複雑さを調査し、進化的ロボティクスの文脈のために開発されたいくつかの学習アルゴリズムを提示する。

関連論文リスト

• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Exploring the effects of robotic design on learning and neural control [0.0]
  論文は神経制御装置ではなく ロボット体の開発に焦点を当てています 私は、マルチタスク設定でニューラルネットワークが直面する現在の落とし穴の多くを克服できるように、ロボットを設計できることを発見しました。
  論文  参考訳（メタデータ） (2023-06-06T15:17:34Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
  四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。 本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。 我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
  論文  参考訳（メタデータ） (2022-09-12T15:14:32Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots [29.02903745467536]
  ソフトロボットの設計と制御を最適化する最初の大規模ベンチマークであるEvolution Gymを提案する。 私たちのベンチマーク環境は、様々な種類の地形の移動や操作など、幅広いタスクにまたがっています。 我々は,最先端設計最適化手法と深層強化学習手法を組み合わせることで,複数のロボット共進化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-01-24T18:39:22Z)
• Morphological Development at the Evolutionary Timescale: Robotic Developmental Evolution [5.000272778136268]
  我々は、系統学的時間スケールで発生する発達過程を設計することを提案する。 成体ロボットのみによる進化的探索よりも、より良く質的に異なる歩行を生み出すことが示される。 提案手法は概念的には単純であり,小人数のロボットに有効である。
  論文  参考訳（メタデータ） (2020-10-28T11:24:23Z)
• Learning Locomotion Skills in Evolvable Robots [10.167123492952694]
  本稿では,任意の形状のモジュール型ロボットが目標に向かって歩いたり,移動した場合にこの目標に従うことを学習できるようにするための,コントローラアーキテクチャと汎用学習手法を提案する。 我々のアプローチは、現実世界の3つのシナリオにおいて、クモ、ヤモリ、そしてその子孫の3つのロボットに対して検証されている。
  論文  参考訳（メタデータ） (2020-10-19T14:01:50Z)

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。