論文の概要: Social Learning Strategies for Evolved Virtual Soft Robots

• arxiv url: http://arxiv.org/abs/2604.12482v1
• Date: Tue, 14 Apr 2026 09:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.364966
• Title: Social Learning Strategies for Evolved Virtual Soft Robots
• Title（参考訳）: 仮想ソフトロボットの社会学習戦略
• Authors: K. Ege de Bruin, Kyrre Glette, Kai Olav Ellefsen, Giorgia Nadizar, Eric Medvet,
• Abstract要約: 本研究では, ロボット最適化における体と脳の密結合による形態学的に類似したロボットの継承経験の効果について検討した。 社会的学習は、同等の計算予算の下で、スクラッチから学習をはっきりと上回り、他人の経験に基づいて構築することの有効性を確認した。
• 参考スコア（独自算出の注目度）: 0.17691324921037177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing the body and brain of a robot is a coupled challenge: the morphology determines what control strategies are effective, while the control parameters influence how well the morphology performs. This joint optimization can be done through nested loops of evolutionary and learning processes, where the control parameters of each robot are learned independently. However, the control parameters learned by one robot may contain valuable information for others. Thus, we introduce a social learning approach in which robots can exploit optimized parameters from their peers to accelerate their own brain optimization. Within this framework, we systematically investigate how the selection of teachers, deciding which and how many robots to learn from, affects performance, experimenting with virtual soft robots in four tasks and environments. In particular, we study the effect of inheriting experience from morphologically similar robots due to the tightly coupled body and brain in robot optimization. Our results confirm the effectiveness of building on others' experience, as social learning clearly outperforms learning from scratch under equivalent computational budgets. In addition, while the optimal teacher selection strategy remains open, our findings suggest that incorporating knowledge from multiple teachers can yield more consistent and robust improvements.
• Abstract（参考訳）: ロボットの身体と脳を最適化することは複合的な課題であり、形態学はどの制御戦略が有効かを決定するが、制御パラメータは形態学がいかに機能するかに影響を与える。 この共同最適化は、各ロボットの制御パラメータを独立して学習する進化と学習プロセスのネストループを通じて行うことができる。 しかし、あるロボットが学習する制御パラメータは、他のロボットにとって価値のある情報を含んでいるかもしれない。 そこで我々は,ロボットが仲間から最適化されたパラメータを活用して,自身の脳の最適化を加速する,社会学習アプローチを提案する。 本枠組みでは,教師の選び方,どのロボットから学習するか,どのロボットから学習するかを体系的に検討し,仮想ソフトロボットを4つのタスクや環境で実験する。 特に,ロボット最適化における体と脳の密結合による形態学的に類似したロボットの継承経験の効果について検討した。 社会的学習は、同等の計算予算の下で、スクラッチから学習をはっきりと上回り、他人の経験に基づいて構築することの有効性を確認した。 また,教師選択戦略は依然としてオープンだが,複数の教師の知識を取り入れることで,より一貫性と堅牢性の向上が期待できる。

関連論文リスト

• Robots Need Some Education: On the complexity of learning in evolutionary robotics [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-05T17:34:40Z)
• 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)
• 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)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• How to reduce computation time while sparing performance during robot navigation? A neuro-inspired architecture for autonomous shifting between model-based and model-free learning [1.3854111346209868]
  本稿では,性能とコストを明示的に測定する学習システム間の新たな調停機構を提案する。 ロボットは,学習システム間の切り替えによって環境変化に適応し,高い性能を維持することができる。 タスクが安定すると、ロボットは自律的に最もコストのかかるシステムに移行し、高い性能を維持しながら計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2020-04-30T11:29:16Z)
• 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)
• Learning Directed Locomotion in Modular Robots with Evolvable Morphologies [11.006321791711175]
  この研究は、形態学とコントローラの両方が進化する進化ロボットシステムに対する我々の関心に基づいている。 このようなシステムでは、新生児ロボットは、両親の身体のランダムな組み合わせである自身の身体を制御することを学ばなければならない。
  論文  参考訳（メタデータ） (2020-01-21T23:01:00Z)

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。