研究进化虚拟软机器人形态与控制中的过早收敛

进化虚拟生物是一个有着丰富历史的领域，最近受到越来越多的关注，尤其是在软机器人领域。软材料的柔顺性赋予软机器人复杂的行为，但也使得它们的设计过程不够直观，并需要自动化设计。尽管受到极大关注，进化的虚拟软机器人仍缺乏复杂性，形态与控制的协同优化仍然是一个具有挑战性的问题。之前的工作识别并研究了协同优化过程中的一个主要问题——大脑与身体的脆弱协同适应导致形态的过早收敛。在本研究中，我们通过比较可学习的控制器与未观察的固定控制器扩展了对这一现象的调查，后者的情况下，我们只有形态的优化。我们在两个形态空间和两个复杂性不同的环境中的实验显示了高性能区域的具体实例，这些区域在形态与控制的协同优化过程中无法被发现，但当单独优化形态时却存在且易于找出。因此，本研究清晰地展示并表征了在协同优化过程中优化形态的挑战。基于这些结果，我们提出了一个新的以身体为中心的框架来思考协同优化问题，帮助我们从搜索的角度理解这一问题。我们希望通过这项工作分享的见解能吸引更多人关注这一问题，并帮助我们实现高效的大脑与身体的协同优化。