TacEvo：基于LLM驱动的质量-多样性搜索的机器人触觉感知自进化架构发现
机器人学
2026-06-29 v1
摘要
基于视觉的触觉传感将接触引起的表面形变转化为图像，使机器人能够推断接触力和精细的表面纹理，而这些是传统视觉无法获取的。然而，触觉图像具有传感器和物理特性特异性，因此有效的架构通常需要专家直觉和大量的手动迭代。现有的神经架构搜索（NAS）流程可以减轻这一负担，但通常计算成本高昂，且局限于手工设计的搜索空间，这限制了架构的新颖性和多样性。我们提出了TacEvo，一个自进化的架构发现框架，它从下游反馈中改进网络设计。TacEvo使用LLM生成代码级变异和交叉，以及一个MAP-Elites质量-多样性循环，该循环保留多样化的精英架构，同时优先重用那些持续产生改进的提示。探索由两个行为描述符——架构多样性和效率比——引导，它们鼓励在结构变化和计算规模权衡方面的覆盖。在ViTacTip力回归和光栅分类任务上，TacEvo实现了高自主生成可靠性（96.0%/94.5%可训练），并在20代内将最佳验证适应度提高了56.1%/96.1%。在20次随机种子的搜索后高保真度评估中，TacEvo在力预测上匹配专家基线，并在细粒度光栅分类上优于专家基线。这些结果表明，LLM驱动的自进化搜索为专业机器人感知中的AI辅助科学发现提供了一种实用范式。
引用
@article{arxiv.2606.30109,
title = {TacEvo: Self-Evolving Architecture Discovery for Robotic Tactile Perception via LLM-Driven Quality-Diversity Search},
author = {Mohammed AbuSadeh and Lan Wei and Dandan Zhang},
journal= {arXiv preprint arXiv:2606.30109},
year = {2026}
}