基于进化与内在动机的高效且多样的机器人设计生成

机器人物理配置的生成式设计方法可自动寻找在复杂环境中解决挑战性任务的优化且创新的解决方案。广阔的搜索空间涵盖物理设计空间和控制器参数空间，使其成为通用机器学习和优化中极具挑战性的问题。进化算法(EAs)在通过梯度无优化生成机器人设计方面显示出前景。Morpho-evolution with learning (MEL) 使用EAs同时生成机器人设计并学习控制器参数的最优解。两个主要问题阻止了MEL扩展到更高复杂度的任务：计算成本和对亚最优设计的早期收敛。为此，我们提出将Morpho-evolution与内在动机结合。内在驱动的行为源于身体感知和简单的学习规则，无需外部指导。我们采用一种homeokinetic 控制器，在几秒钟内生成探索性行为，减少对机器人设计的了解。Homeokinesis取代昂贵的学习阶段，减少计算时间并倾向于多样性，防止早期收敛。我们将该方法与当前MEL方法在多个下游任务中进行比较。生成的设计在所有任务中得分更高，更具多样性，且生成速度更快，相较于使用静态参数的Morpho-evolution。