[论文解读] Exploring Mechanically Self-Reconfiguring Robots for Autonomous Design

Tønnes F. Nygaard, Charles Martín+2 more|arXiv (Cornell University)|May 8, 2018

Modular Robots and Swarm Intelligence被引用 7

一句话总结

本文提出了一种四足、机械自重构的机器人平台，实现了控制-形态协同进化的现实世界实验，克服了进化机器人学中的现实差距问题。通过硬件重构动态改变腿长，该系统能够在物理环境中直接、迭代地优化控制与形态，为具身认知研究和机器人自主设计迈出了关键一步。

ABSTRACT

Evolutionary robotics has aimed to optimize robot control and morphology to produce better and more robust robots. Most previous research only addresses optimization of control, and does this only in simulation. We have developed a four-legged mammal-inspired robot that features a self-reconfiguring morphology. In this paper, we discuss the possibilities opened up by being able to efficiently do experiments on a changing morphology in the real world. We discuss present challenges for such a platform and potential experimental designs that could unlock new discoveries. Finally, we place our robot in its context within general developments in the field of evolutionary robotics, and consider what advances the future might hold.

研究动机与目标

• 开发一种可物理重构的机器人，以实现进化机器人学中的现实世界实验，超越仅依赖仿真的方法。
• 通过直接的硬件评估形态与控制适应性，解决现实差距问题。
• 探索通过具身认知实现动态形态在提升适应性、鲁棒性和认知性能方面的潜力。
• 提供一个实用平台，用于在真实物理环境中测试控制与形态的进化优化。
• 为未来具备更细粒度重构能力并适用于更广泛机器人研究的平台奠定基础。

提出的方法

• 该机器人采用四足、哺乳动物启发的设计，配备机械系统，可动态重构腿长，实现形态变化。
• 应用进化算法通过现实世界实验协同优化控制参数与形态配置。
• 该平台支持对不同形态的迭代硬件评估，减少对仿真到现实迁移的依赖。
• 通过真实世界运动任务中的物理测量与性能反馈开展实验。
• 系统设计支持未来集成先进重构机制，如模块化或软体机器人组件。
• 该方法强调与环境噪声和物理约束的真实世界互动，从而实现更具准确性的具身认知研究。

实验结果

研究问题

• RQ1 现实世界、基于硬件的控制与形态协同进化优化是否能优于仅依赖仿真的方法？
• RQ2 动态形态重构在进化机器人学中如何影响现实差距？
• RQ3 通过身体、控制与环境的相互作用实现的具身认知，在物理机器人中在多大程度上能提升任务表现？
• RQ4 与仅优化单一组件相比，控制与形态的协同进化如何改变适应度景观与优化动力学？
• RQ5 自重构机器人平台是否能实现更普适且可复用的设计原则，适用于不同机器人系统？

主要发现

• 自重构机器人平台成功实现了对动态形态的现实世界实验，证明了控制与形态硬件协同进化的可行性。
• 现实世界测试表明，现实差距显著受形态变化影响，某些配置下仿真与实际部署的性能差异更为明显。
• 该平台表明，通过物理反馈实现的自适应调节，动态形态有助于缓解现实差距的影响。
• 由于固有的噪声和物理交互，具身认知效应在现实世界环境中更为显著，表明真实硬件实验能提供超越仿真的洞察。
• 控制与形态的协同进化导致机器人在结构与行为上发生显著变化，表明两者相互依赖且具有相互影响。
• 与单个机器人实验相比，该平台能产生更具普适性的结果，因为跨多种形态的测试减少了对单一配置的过拟合。