論文の概要: Lamarckian Inheritance in Dynamic Environments: How Key Variables Affect Evolutionary Dynamics
- arxiv url: http://arxiv.org/abs/2605.15769v1
- Date: Fri, 15 May 2026 09:26:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 17:44:16.315372
- Title: Lamarckian Inheritance in Dynamic Environments: How Key Variables Affect Evolutionary Dynamics
- Title（参考訳）: 動的環境におけるラマルク的継承 : キー変数が進化力学に与える影響
- Authors: K. Ege de Bruin, Kyrre Glette, Kai Olav Ellefsen,
- Abstract要約: ラマルキアン継承の利点は、ロボットの制御に環境変化がどの程度相反するかと、ロボットエージェントに対するそれらの変化の予測可能性の2つの変数に依存することを示す。
環境変化を検出するセンサを追加することで、競合する環境におけるラマルク人の継承の利点が回復することがわかった。
- 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: The co-optimization of a robot's body and brain presents a coupled challenge: the morphology constrains which control strategies are effective, while the control determines how well the morphology performs. To address this, we combine morphology optimization as evolution with controller optimization as lifetime learning, utilizing Lamarckian inheritance to transfer learned controller parameters from parent to offspring. In dynamic environments, existing literature presents conflicting evidence: while traditional evolutionary theory often suggests Lamarckian inheritance lacks benefit, recent studies in evolutionary robotics indicate it can improve performance. We hypothesize that this is because previous works have not included all relevant variables with dynamic environments. In this work, we show that the benefit of Lamarckian inheritance depends on two variables: how conflicting the environmental changes are to robot control, and the predictability of those changes for the robotic agent. Using virtual soft robots and two different learning approaches, Bayesian optimization and reinforcement learning, we show that Lamarckian inheritance only underperforms Darwinian inheritance when the changes are both conflicting and unpredictable. We find that adding a sensor to detect environmental changes restores the benefits for Lamarckian inheritance in conflicting environments, by allowing robotic agents to predict the need for a different behavior, thereby generalizing their control.
- Abstract（参考訳）: ロボットの身体と脳の協調最適化は、制御戦略が効果的である形態的制約と、その形態がどれだけうまく機能するかを決定するという、複合的な課題を提示する。
これを解決するために、形態素最適化と生涯学習としてのコントローラ最適化を組み合わせ、ラマルク継承を利用して学習したコントローラパラメータを親から子へ転送する。
従来の進化論では、ラマルク人の遺伝には利益が欠けていることがしばしば示唆されるが、進化ロボティクスにおける最近の研究は、それが性能を向上させることを示唆している。
これは、以前の研究が動的環境に関するすべての関連する変数を含んでいないためである、という仮説を立てる。
本研究では, 環境変化がロボットの制御にどの程度矛盾しているか, ロボットエージェントに対するそれらの変化の予測可能性の2つの変数に依存することを示す。
仮想ソフトロボットと2つの異なる学習手法であるベイズ最適化と強化学習を用いて、ラマルク継承がダーウィン継承を過小評価していることを示す。
環境変化を検出するためのセンサを追加することで、ロボットエージェントが異なる行動の必要性を予測することによって、競合する環境におけるラマルク人の継承の利点を回復し、その制御を一般化することを発見した。
関連論文リスト
- Limits of Lamarckian Evolution Under Pressure of Morphological Novelty [0.7646713951724009]
ラマルク人の継承は、ロボット形態学とコントローラの共同進化が個々の学習によって強化されるシステムにおいて強力な加速器であることが示されている。
本研究では,ラマルクの遺伝的継承が,探索過程を高形態的分散に向けてどのように機能するかを検討する。
論文 参考訳（メタデータ） (2026-04-17T09:04:58Z) - Integrating Sample Inheritance into Bayesian Optimization for Evolutionary Robotics [0.0]
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。
論文 参考訳（メタデータ） (2026-01-07T11:18:29Z) - Predictability Shapes Adaptation: An Evolutionary Perspective on Modes of Learning in Transformers [51.992454203752686]
トランスフォーマーモデルは、IWL(In-weights Learning)とICL(In-context Learning)の2つの異なるモードで学習する。
我々は進化生物学の類似した適応戦略である遺伝的エンコーディングと表現型可塑性からインスピレーションを得ている。
我々はこれらの予測可能性の次元を実験的に運用し、トランスフォーマーのICL/IWLバランスへの影響について検討する。
論文 参考訳（メタデータ） (2025-05-14T23:31:17Z) - Lamarckian Inheritance Improves Robot Evolution in Dynamic Environments [2.111420195774799]
本研究では,ラマルク系と進化ロボティクス(ER)の統合について検討する。
ラマルクの原理を採用することで、ロボットは学習した特性を継承し、ダーウィンの学習と並行して、動的環境の適応について検討する。
我々の研究は6つの異なる環境設定で行われ、ラマルク系がダーウィン系よりも適応性と効率性が優れていることを示した。
論文 参考訳（メタデータ） (2024-03-28T16:27:20Z) - 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) - Lamarck's Revenge: Inheritance of Learned Traits Can Make Robot
Evolution Better [2.884244918665901]
「もし18世紀の生物学者ラマルクが完全に間違っておらず、生涯に学んだ個々の特性が継承を通じて子孫に受け継がれるとしたらどうだろう。」
この枠組みでは、学習した脳のビットが継承可能なラマルク系と、そうでないダーウィン系を比較する。
論文 参考訳（メタデータ） (2023-09-22T15:29:15Z) - The Introspective Agent: Interdependence of Strategy, Physiology, and
Sensing for Embodied Agents [51.94554095091305]
本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。
自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
論文 参考訳（メタデータ） (2022-01-02T20:14:01Z) - Heritability in Morphological Robot Evolution [2.7402733069181]
遺伝性の生物学的概念を導入し,遺伝子型変異による表現型変異の量を把握する。
解析では,2つの異なるエンコーディングから進化した第1世代のロボットの遺伝性を測定した。
遺伝性は遺伝子型と表現型との関係をよりよく理解するための有用なツールであることを示す。
論文 参考訳（メタデータ） (2021-10-21T14:58:17Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳（メタデータ） (2021-04-12T12:45:16Z) - Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。
これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。
我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文 参考訳（メタデータ） (2021-02-25T18:59:21Z) - Emergent Hand Morphology and Control from Optimizing Robust Grasps of
Diverse Objects [63.89096733478149]
多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。
形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。
我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-12-22T17:52:29Z)
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。