論文の概要: Shaping the Evolutionary Dynamics of Robot Morphology via Adaptive Control Learning

• arxiv url: http://arxiv.org/abs/2608.23100v1
• Date: Mon, 24 Aug 2026 11:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.030618
• Title: Shaping the Evolutionary Dynamics of Robot Morphology via Adaptive Control Learning
• Title（参考訳）: 適応制御学習によるロボット形態の進化ダイナミクスの形成
• Authors: Junru Song, Yang Yang, Yaqing Xu, Ying Wen, Wei Peng, Guozhen Li, Wei'en Zhou, Wen Yao,
• Abstract要約: 学習を2次元に分割する際の形態学的な寄与を示す。 本稿では,進化過程における形態的知能の不均質な選択をモニタするAdaControlを提案する。 シンプルな遺伝的アルゴリズムであるAdaControlは、多種多様なハイパフォーマンスなデザインを発見するために、最先端のジェネレーティブモデルに基づく共同設計手法と競合する。
• 参考スコア（独自算出の注目度）: 24.31239427177829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot co-design via bi-level optimization couples within-lifetime controller learning for fitness evaluation with cross-generational morphological evolution. Prior work has established that well-adapted morphology facilitates faster control learning, a property termed morphological intelligence. Yet how control learning reciprocally shapes morphological evolution remains unexplored. This paper examines both directions for a holistic account of brain-body interplay. We first show that morphological contributions to control learning decouple into two orthogonal dimensions. We formalize the convergence speed as morphological intelligence and identify the performance ceiling as a complementary quantity termed true potential. A concise functional relation is then established to jointly characterize both quantities from individual learning curves, which, when aggregated at the population level, capture evolutionary profiles. Through extensive experiments on simulated voxel-based soft robots, we reveal that premature fitness evaluation systematically underestimates true potential and biases selection towards fast learners. This restricts design space exploration, compromising both optimization efficiency and morphological diversity. Notably, the widely recognized morphological Baldwin effect emerges as an artifact of this bias rather than a general evolutionary tendency. We therefore propose AdaControl, which monitors disproportionate selection for morphological intelligence during evolution and allocates minimally sufficient control learning for unbiased fitness evaluation. With AdaControl, a simple genetic algorithm rivals state-of-the-art generative-model-based co-design methods in discovering diverse high-performing designs while cutting computation by up to 80% versus exhaustive control.
• Abstract（参考訳）: 二段階最適化によるロボット共設計は、世代間形態的進化を伴うフィットネス評価のためのライフタイム内コントローラ学習と組み合わせる。 以前の研究は、十分に適応された形態学がより高速な制御学習を促進することを確立しており、これは形態学知能と呼ばれる性質である。 しかし、制御学習が相互に形態的進化を形作る方法はまだ解明されていない。 本稿では,脳と身体の相互作用を包括的に考察する。 まず、学習を2つの直交次元に分割する際の形態学的寄与を示す。 コンバージェンス速度を形態的インテリジェンスとして定式化し、性能天井を真のポテンシャルと呼ばれる相補的な量として同定する。 次に、人口レベルで集約された個々の学習曲線から両方の量を共同で特徴付けるために、簡潔な機能関係が確立される。 シミュレーションされたボクセルベースのソフトロボットの広範な実験を通して、早期フィットネス評価が真の可能性と学習者への偏見を体系的に過小評価することを明らかにする。 これは設計空間の探索を制限し、最適化効率と形態的多様性の両方を妥協する。 特に、広く認識されている形態学的ボールドウィン効果は、一般的な進化傾向ではなく、このバイアスの人工物として現れる。 そこで我々は,AdaControlを提案する。このAdaControlは,進化過程における形態的インテリジェンスに対する不均質な選択を監視し,不偏性評価のための最小限の制御学習を割り当てる。 単純な遺伝的アルゴリズムであるAdaControlは、最先端の生成モデルに基づく共同設計手法と競合し、多様なハイパフォーマンスな設計を発見しながら、計算を最大80%削減する。

関連論文リスト

• Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential [0.32944203974612035]
  本研究では,脳と身体の協調最適化を研究するために,形態的適合性景観を網羅的にマッピングすることを提案する。 我々は、このデザイン空間において、進化的脳-体共最適化アルゴリズムがどのように機能するかを分析する。
  論文  参考訳（メタデータ） (2025-08-24T17:47:07Z)
• Evolution imposes an inductive bias that alters and accelerates learning dynamics [49.1574468325115]
  進化的最適化がニューラルネットワークの学習力学に与える影響について検討する。 我々は,アルゴリズムの自然選択とオンライン学習を組み合わせて,ニューラルネットワークの進化的条件付け手法を開発した。 結果は、進化はニューラルネットワークをチューニングして迅速な学習を可能にする誘導バイアスを構成することを示唆している。
  論文  参考訳（メタデータ） (2025-05-15T18:50:57Z)
• 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)
• 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)
• The Effects of Learning in Morphologically Evolving Robot Systems [8.627180519837657]
  学習はタスクのパフォーマンスを大幅に向上させ、特定のフィットネスレベルに達するために必要な世代数を削減できることを示す。 学習はコントローラにのみ直接影響を与えるが、進化した形態も異なることを実証する。 進化過程を通じて、遺伝と学習した脳のパフォーマンス差である学習デルタが成長しているのを観察する。
  論文  参考訳（メタデータ） (2021-11-18T18:20:33Z)
• 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)
• Embodied Intelligence via Learning and Evolution [92.26791530545479]
  環境の複雑さが形態学的知能の進化を促進することを示す。 また、進化は速く学習する形態を素早く選択することを示した。 我々の実験は、ボールドウィン効果とモルフォロジーインテリジェンスの発生の両方の力学的基礎を示唆している。
  論文  参考訳（メタデータ） (2021-02-03T18:58:31Z)
• 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。