[论文解读] Regenerating Soft Robots through Neural Cellular Automata

Kazuya Horibe, Kathryn Walker+1 more|arXiv (Cornell University)|Feb 4, 2021

Cellular Automata and Applications参考文献 56被引用 7

一句话总结

本文提出一种基于神经元胞状自动机（NCA）的方法，使模拟软体机器人能够通过局部细胞相互作用实现受损形态的再生，从而在受伤后恢复部分运动能力。该方法使受损双足机器人最多可恢复原始运动性能的67%，证明了仅依赖局部信息即可实现人工系统自修复的可行性。

ABSTRACT

Morphological regeneration is an important feature that highlights the environmental adaptive capacity of biological systems. Lack of this regenerative capacity significantly limits the resilience of machines and the environments they can operate in. To aid in addressing this gap, we develop an approach for simulated soft robots to regrow parts of their morphology when being damaged. Although numerical simulations using soft robots have played an important role in their design, evolving soft robots with regenerative capabilities have so far received comparable little attention. Here we propose a model for soft robots that regenerate through a neural cellular automata. Importantly, this approach only relies on local cell information to regrow damaged components, opening interesting possibilities for physical regenerable soft robots in the future. Our approach allows simulated soft robots that are damaged to partially regenerate their original morphology through local cell interactions alone and regain some of their ability to locomote. These results take a step towards equipping artificial systems with regenerative capacities and could potentially allow for more robust operations in a variety of situations and environments. The code for the experiments in this paper is available at: \url{github.com/KazuyaHoribe/RegeneratingSoftRobots}.

研究动机与目标

• 为解决机器人系统中缺乏形态再生的问题，受水螅和 salamanders 等生物再生能力的启发。
• 开发一种仅依赖局部细胞级相互作用的软体机器人损伤恢复机制，避免全局协调。
• 探究神经元胞状自动机是否能够使模拟软体机器人在受损后再生缺失的身体部分并恢复运动能力。
• 评估再生效果与损伤位置及形态复杂度之间的关系。
• 为未来基于生物启发发育原理实现内在再生能力的物理软体机器人奠定基础。

提出的方法

• 使用神经元胞状自动机（NCA）从单个细胞生长出软体机器人，NCA 通过进化算法学习发育规则。
• NCA 采用卷积神经网络根据局部邻域状态确定细胞状态转换，实现去中心化的生长。
• 训练两个独立的 NCA：一个用于初始形态发育，另一个用于损伤后的再生。
• 通过从受损状态重新激活 NCA 来模拟损伤并触发再生。
• 采用进化优化训练 NCA 网络，以生成支持运动能力和再生的形态。
• 通过在物理仿真环境中测量前进移动速度来量化运动性能。

实验结果

研究问题

• RQ1 仅通过局部细胞相互作用，基于神经元胞状自动机的软体机器人能否实现受损形态的再生？
• RQ2 再生后的软体机器人在受损后能在多大程度上恢复其原始运动性能？
• RQ3 损伤的位置和程度如何影响形态再生与功能恢复的成功率？
• RQ4 单一 NCA 架构能否同时支持初始发育与损伤后再生？
• RQ5 当前进化训练方法在实现完整形态与功能恢复方面存在哪些局限？

主要发现

• 双足机器人在失去一侧后，再生出的形态使其运动性能恢复至原始水平的67%，表明即使形态相似度较低，仍具备高度的功能韧性。
• 三足机器人在失去一条腿后，形态几乎完全恢复，但运动性能仅达到原始水平的50%以下，表明即使微小部件缺失也可能严重影响功能。
• 多足机器人在受损后完全坍塌，未能再生出功能性运动能力，凸显复杂形态对损伤的高度敏感性。
• 在对称机器人（如双足机器人）中，再生成功恢复了运动能力，即使形态保真度较低，剩余一侧也能实现功能补偿。
• 该方法证明了在模拟软体机器人中，基于局部、去中心化的再生是可行的，为未来混合系统或生物集成系统中的实际应用提供了可能。
• 结果表明，损伤位置是再生成功的关键因素，对称机器人在功能恢复方面优于非对称或复杂形态的机器人。