Evolution Gym：一个用于进化软体机器人的大规模基准

机器人的设计和控制在任务表现中扮演着同等重要的角色。然而，尽管最优控制在机器学习和机器人学界得到了充分研究，但寻找最优机器人设计却较少受到关注。这主要是因为机器人学中设计与控制的协同优化被认为是一个具有挑战性的问题，更重要的是，缺乏一个用于协同优化的综合性评估基准。在本文中，我们提出了Evolution Gym，这是第一个用于协同优化软体机器人设计与控制的大规模基准。在我们的基准中，每个机器人由不同类型的体素（例如，软体、刚体、执行器）组成，形成了一个模块化且富有表现力的机器人设计空间。我们的基准环境涵盖了广泛的任务，包括在各种地形上的移动和操作。此外，我们通过结合最先进的设计优化方法和深度强化学习技术，开发了几种机器人协同进化算法。在我们的基准平台上评估这些算法时，我们观察到随着进化的进行，机器人展现出日益复杂的行为，其中最优的进化设计解决了许多我们提出的任务。此外，即使机器人设计是在没有先验知识的情况下从零开始自主进化的，它们也常常生长得类似于现有的自然生物，同时性能优于手工设计的机器人。然而，所有测试的算法都未能找到能在我们最困难的环境中成功的机器人。这表明需要更先进的算法来探索高维设计空间并进化出日益智能的机器人——我们希望Evolution Gym能够加速这一研究领域的进展。我们的网站包含代码、环境、文档和教程，可通过 http://evogym.csail.mit.edu 访问。