基于多目标黑箱优化和大语言模型的机器人高效设计
机器人学
2026-02-19 v2
摘要
迄今为止，已开发出各种机器人设计优化方法。这些方法多样化，从数值优化到黑箱优化。虽然数值优化快速，但不适用于涉及复杂结构或离散值的情形，导致频繁使用黑箱优化。然而，黑箱优化 suffers from 样本效率低，需要大量采样迭代才能获得良好解。本研究提出一种基于黑箱优化利用大语言模型（LLM）提高机器人体设计效率的方法。与基于黑箱优化的采样过程并行，利用 LLM 进行采样，这些模型被提供问题设置和广泛反馈。我们演示了该方法可实现更高效的设计方案探索，并讨论了其特征和局限性。
引用
@article{arxiv.2511.17178,
title = {Efficient Robot Design with Multi-Objective Black-Box Optimization and Large Language Models},
author = {Kento Kawaharazuka and Yoshiki Obinata and Naoaki Kanazawa and Haoyu Jia and Kei Okada},
journal= {arXiv preprint arXiv:2511.17178},
year = {2026}
}
备注
Accepted to IEEE Access, website: https://haraduka.github.io/urdf-llm-opt/ , video: https://www.youtube.com/watch?v=N9iMjx7of1w