研究演化虚拟软机器人形态与控制协同优化中的早熟收敛

演化虚拟生物是一个拥有丰富历史的领域，近年来受到了更多关注，特别是在软机器人领域。软材料的顺应性赋予了软机器人复杂的行为，但也使其设计过程变得不直观，需要自动化设计。尽管兴趣浓厚，但演化虚拟软机器人缺乏复杂性，且形态与控制的协同优化仍然是一个具有挑战性的问题。先前的工作识别并调查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早熟收敛。在本工作中，我们通过比较具有本体感觉观测的可学习控制器与无任何观测的固定控制器，扩展了对这一现象的调查；在后一种情况下，我们仅优化形态。我们在两个形态空间和两个复杂度不同的环境中进行的实验表明，存在具体的例子证明形态空间中存在高性能区域，这些区域在形态与控制的协同优化过程中无法被发现，但在单独优化形态时却存在且易于找到。因此，本工作清晰地展示并刻画了协同优化过程中优化形态所面临的挑战。基于这些结果，我们提出了一种新的以身体为中心的框架来思考协同优化问题，这有助于我们从搜索的角度理解该问题。我们希望本工作分享的见解能吸引更多对该问题的关注，并帮助我们实现高效的大脑 - 身体协同优化。