基于基础模型的软体机器人进化自然选择
机器人学
2025-11-20 v2 人工智能
摘要
设计软体机器人是一个复杂且迭代的过程，需要材料科学、力学和控制等跨学科专业知识，且通常依赖直觉与大量实验。尽管基础模型，尤其是大型语言模型（LLM），已展现出令人印象深刻的推理能力，但其进行具身设计的能力在很大程度上尚未被探索。本文提出了 RoboCrafter-QA，一个新颖的基准，用于评估 LLM 是否能学习软体机器人设计的表示，从而有效弥合高层任务描述与低层形态及材料选择之间的差距。RoboCrafter-QA 利用 EvoGym 模拟器生成多样化的软体机器人设计挑战，涵盖机器人移动、操作与平衡任务。我们使用 SOTA 多模态 LLM 进行的实验表明，尽管这些模型在学习设计表示方面展现出可期的能力，但在区分具有细微性能差异的设计时仍显吃力。为克服这些局限性，我们微调了一个高效的开源 LLM，其在我们基准上达到 SOTA 性能，证明在设计选择与直接生成高性能机器人形态方面均具备卓越能力。此外，我们构建了模块化软体机器人的物理复制品，并展示了强大的 sim-to-real 相关性，验证了卓越的基准性能有潜力转化为有效的现实世界设计选择。我们的完整系统将开源以促进这一激动人心的方向。
引用
@article{arxiv.2503.02249,
title = {Natural Selection via Foundation Models for Soft Robot Evolution},
author = {Changhe Chen and Xiaohao Xu and Xiangdong Wang and Xiaonan Huang},
journal= {arXiv preprint arXiv:2503.02249},
year = {2025}
}