論文の概要: ECo-MoE: Embodiment-Conditioned Mixture of Experts Increases the Evolvability of Robots

• arxiv url: http://arxiv.org/abs/2605.24225v1
• Date: Fri, 22 May 2026 21:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.760507
• Title: ECo-MoE: Embodiment-Conditioned Mixture of Experts Increases the Evolvability of Robots
• Title（参考訳）: ECo-MoE: ロボットの進化性を高める専門家の体操
• Authors: Yibin Wang, Muhan Li, Zihan Guo, Sam Kriegman,
• Abstract要約: 我々は,潜伏設計ベクトル(遺伝子型)と制御専門家(神経モジュール)の混合分布を共最適化するロボットにおいて,進化と学習のモデルを導入する。 この過程を「デモによるエボ」と呼び、フリーフォームの進化を標準構造へ導くのにどのように使えるかを探る。
• 参考スコア（独自算出の注目度）: 9.541468090679913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce a model of evolution and learning in robots that co-optimizes a distribution of latent design vectors (genotypes) and a mixture of control experts (neural modules), which are gated by the latent coordinates of each decoded design (phenotype). This provides a scalable alternative to co-design algorithms that either train an individual policy for every robot, which is inefficient, or a monolithic universal controller for all robots, which results in overly conservative structures and behaviors. Our approach lies somewhere between these two extremes, preserving ancestral knowledge in a unified yet modular framework in which different body plans activate and deactivate different combinations of learned sensorimotor circuits for goal-directed behavior. This allows one part of the controller to be overhauled to better suit new species of designs as they emerge without disrupting the hard-earned knowledge contained within other expert modules. It also allows pretrained expert policies to be directly plugged into the mixture, which can steer evolution into otherwise unexplored areas of latent space containing desired morphological traits. We refer to this process as "evo by demo" and explore how it may be used to guide freeform evolution toward canonical structures defined by the pretrained model. Videos and code can be found at: https://eco-moe.github.io.
• Abstract（参考訳）: 本稿では,遅延設計ベクトル(遺伝子型)と制御専門家(神経モジュール)の分布を協調的に最適化するロボットにおける進化と学習のモデルを提案する。 これは、非効率な全てのロボットに対して個別のポリシーを訓練する共設計アルゴリズムや、非効率な全てのロボットのためのモノリシックなユニバーサルコントローラに代わるスケーラブルな代替手段を提供する。 我々のアプローチは、この2つの極端の間にあり、異なるボディプランが目標指向の動作のために学習されたセンサモレータ回路の異なる組み合わせを活性化し、非活性化する、統一的でモジュール化された枠組みで祖先の知識を保存する。 これにより、コントローラの一部が、他の専門家モジュールに含まれる厳しい知識を損なうことなく、新しいタイプの設計に適合するようにオーバーホールされる。 また、事前訓練された専門家のポリシーを混合物に直接接続することを可能にし、望まれる形態的特性を含む非探索領域への進化を促進することができる。 この過程を「デモによるエボ」と呼び、事前訓練されたモデルによって定義された標準構造へフリーフォームの進化を導く方法を探る。 ビデオとコードは、https://eco-moe.github.io.com/で見ることができる。

関連論文リスト

• Evolution and learning in differentiable robots [0.0]
  我々は、異なるシミュレーションを用いて、多数の候補体計画において、行動の個々の神経制御を迅速かつ同時に最適化する。 個体群における各ロボットの機械的構造の変化は,探索の外ループに遺伝的アルゴリズムを適用した。 シミュレーションで発見された非常に微分可能な形態の1つは、物理ロボットとして実現され、その最適化された振る舞いを維持できた。
  論文  参考訳（メタデータ） (2024-05-23T15:45:43Z)
• 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)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Drive Anywhere: Generalizable End-to-end Autonomous Driving with Multi-modal Foundation Models [114.69732301904419]
  本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。 当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:56:35Z)
• Open-endedness induced through a predator-prey scenario using modular robots [0.0]
  本研究は,捕食者・捕食者のシナリオがオープン・エンデッド・エボリューション(OEE)の出現を誘発する方法について考察する。 制御器が進化する固定形態のモジュラーロボットを利用する。
  論文  参考訳（メタデータ） (2023-09-20T12:58:51Z)
• 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)
• Evolving Modular Soft Robots without Explicit Inter-Module Communication using Local Self-Attention [9.503773054285556]
  我々はVoxel-based Soft Robots(VSR)に焦点を当てる それぞれのボクセル内で同じニューラルコントローラを使用しますが、ボクセル間通信はありません。 進化したロボットが移動作業に有効であることを実験的に示す。
  論文  参考訳（メタデータ） (2022-04-13T16:03:39Z)
• 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)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)

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。