RoboMoRe：基于大语言模型的机器人形态与奖励联合优化协同设计

机器人协同设计，即联合优化形态和控制策略，仍然是机器人学界的一项长期挑战，目前已开发出许多有前景的机器人。然而，其关键局限性在于由于使用固定的奖励函数，容易收敛到次优设计，无法探索适合不同形态的多样运动模式。在此，我们提出 RoboMoRe，这是一个由大语言模型（LLM）驱动的框架，将形态和奖励塑形集成在机器人协同设计循环中进行协同优化。RoboMoRe 执行双阶段优化：在粗优化阶段，基于 LLM 的多样性反思机制生成多样且高质量的形态-奖励对，并高效探索其分布。在精细优化阶段，通过交替进行 LLM 引导的奖励和形态梯度更新，迭代地优化顶级候选方案。RoboMoRe 能够通过奖励塑形，同时优化高效的机器人形态及其适合的运动行为。结果表明，在没有任何任务特定提示或预定义的奖励/形态模板的情况下，RoboMoRe 在八项不同任务上均显著优于人工设计的方法和竞争方法。