進化ロボット設計/LLM2026/5/1arXiv:2605.25832

検索が記憶になるとき：ロボット設計の試行錯誤を転移可能なスキルへ変換する

When Search Becomes Memory: Turning Robot Design Trials into Transferable Skills

進化的ロボット設計の探索履歴を自然言語のスキルライブラリとして蓄積し、LLMエージェントがそれを参照して設計を改善する自己進化システムを提案した。

詳しい要約

1. どんなもの？

- LLMを進化的ロボット設計の提案生成に用いる研究。 - 従来のループは記憶がなく、シミュレータ結果が次世代に活かされない。 - Auto-Robotistを提案：自己進化するLLMエージェント。 - 形態探索の軌跡を自然言語のスキルライブラリに蒸留。 - スキルは構造アーキタイプ、証拠に基づく正負のルール、評価済み設計を保存。 - 設計記憶を検査可能にし、集団に暗黙的に埋め込まない。

2. 先行研究と比べてどこがすごい？

- 従来のLLMベース進化設計はメモリレスで、シミュレータ結果を再利用可能な知識として保存しない。 - Auto-Robotistは探索トレースを明示的な自然言語スキルライブラリに蒸留。 - 設計記憶を検査可能にし、転移可能なスキルとして活用。 - コールドスタート5x5探索を改善し、10x10設計空間への転移を実現。 - 参照条件付き転移は全タスクでGAを上回る。

3. 技術・手法の肝は？

- 自己進化するLLMエージェント。 - スキルライブラリ：構造アーキタイプ、証拠に基づく正負ルール、評価済み設計を保存。 - 探索中：スキルを検索し、エリートボディのLLM編集を条件付け。 - 探索のためにGA変異経路も保持。 - 評価後：Add、Diagnose、Mergeでライブラリを更新。

4. どうやって有効だと検証した？

- EvoGymの7タスク（locomotion、traversal、object interaction）で評価。 - コールドスタート5x5探索を改善。 - 学習したスキルを10x10設計空間に転移。 - 参照条件付き転移が全タスクでGAを上回る。

5. 議論はある？

- 結果は、LLMエージェントが高コストな物理評価を再利用可能で監査可能な設計原則に変換できることを示唆。 - コードは採択後に公開予定。 - その他の議論や限界は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：Genetic Algorithm (GA)、EvoGym。 - 関連手法：LLM as proposal generators for evolutionary robot design。 - 同分野の定番：Evolutionary Robotics、Quality-Diversity Algorithms。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yunfei Wang, Xiaohao Xu, Yang Li, Xiaonan Huang

分類: cs.RO, cs.AI, cs.CL, cs.CV

原文アブストラクト

Large language models (LLMs) are increasingly used as proposal generators for evolutionary robot design, yet most loops remain memoryless: simulator results shape the next population but are not preserved as reusable design knowledge. We present Auto-Robotist, a self-evolving LLM agent that distills morphology-search traces into an explicit natural-language skill library. Each skill stores a structural archetype, evidence-grounded positive and negative rules, and the evaluated designs that support them, making design memory inspectable rather than implicit in a population. During search, the agent retrieves skills to condition LLM edits of elite bodies while retaining a Genetic Algorithm (GA) mutation path for exploration; after evaluation, it updates the library through Add, Diagnose, and Merge. Across seven EvoGym tasks spanning locomotion, traversal, and object interaction, Auto-Robotist improves cold-start 5x5 search and transfers learned skills to 10x10 design spaces, where reference-conditioned transfer outperforms GA on every task. These results suggest that LLM agents can convert expensive physical evaluations into reusable, auditable design principles. Our code will be released upon acceptance.

arXivで原文を読む →arXiv概要ページ

← 論文一覧