共設計/進化計算/強化学習2026/6/1arXiv:2606.07424

浮力支援ロボットの挑戦的移動のためのガウス進化的スペシャリストによる高速共同設計

Rapid co-design of Buoyancy-assisted robots for Challenging Locomotion using Gaussian Evolutionary Specialists

形態と制御を同時最適化するため、設計空間を分割して多様な行動を捉えるガウス進化的スペシャリスト（GES）を提案し、浮力支援脚ロボットBALLUで性能向上と障害物越えを実証した。

詳しい要約

1. どんなもの？

脚式ロボットの形態と制御を同時最適化する co-design のためのフレームワーク Gaussian Evolutionary Specialists (GES) を提案する。GES は設計空間を進化する Gaussian 領域に分割し、各領域に specialist policy を割り当てることで、多様な挙動を明示的に獲得する。得られた specialist を設計サンプリングループに統合し、高コストな再学習を直接評価で置き換える。Buoyancy-Assisted Light Legged Unit (BALLU) で検証し、naive な universal policy より 5-25% 高性能な設計を発見、ハードウェアでは 24 cm の障害物を越え、baseline BALLU の 3 倍の改善、設計最適化時間を 37% 短縮した。

2. 先行研究と比べてどこがすごい？

従来の model-free Reinforcement Learning (RL) による co-design は、inner loop での繰り返し policy training が高コストだった。形態条件付き universal policy は behavioral diversity collapse を起こし、単一戦略に収束して設計間で sub-optimal になる。end-to-end Mixture-of-Experts (MoE) は representation collapse で失敗する。GES は設計空間分割と policy learning を分離し、多様な挙動を明示的に捉える点でこれらと異なる。

3. 技術・手法の肝は？

GES は design-space partitioning と policy learning を分離する。進化する Gaussian 領域に specialist policy を割り当て、training・probing・territory expansion を反復して洗練する。得られた specialist を design sampling loop に統合し、再学習の代わりに直接評価する。

4. どうやって有効だと検証した？

Buoyancy-Assisted Light Legged Unit (BALLU) でテストし、naive な universal policy より 5-25% 高性能な設計を発見した。ハードウェアでは GES 最適化設計が 24 cm の障害物を越え、baseline BALLU 設計の 3 倍の改善を示した。また設計最適化時間を 37% 短縮した。

5. 議論はある？

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 model-free Reinforcement Learning (RL)、model-predictive control、universal policy、Mixture-of-Experts (MoE)、Buoyancy-Assisted Light Legged Unit (BALLU) に関する研究。関連手法として co-design、morphology optimization、behavioral diversity collapse、representation collapse を扱う論文。

※ 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: Ankit Sinha, Nitish Sontakke, Dennis Hong, Yusuke Tanaka, Sehoon Ha

分類: cs.RO

原文アブストラクト

Designing high-performance legged robots requires jointly optimizing morphology and control. Model-free Reinforcement Learning (RL) offers an alternative to model-predictive control for developing robust controllers without explicitly specifying robot dynamics. Thus, we have seen theuse of RL to train controllers and evaluate designs for robot morphology optimization. While RL has shown success inlocomotion, using it in the co-design inner loop is expensive due to repeated policy training. Universal policies conditioned on morphology offer a promising alternative, but suffer from behavioral diversity collapse, converging to a single strategy that performs sub-optimally across designs. On the other hand, end-to-end Mixture-of-Experts (MoE) architectures fail due to a collapse in its representation. We propose Gaussian Evolutionary Specialists (GES), a framework that decouples design-space partitioning from policy learning to capture diverse behaviors explicitly. GES assigns specialist policies to evolving Gaussian regions and iteratively refines them via training, probing, and territory expansion. The resulting specialists are integrated into a design sampling loop, replacing costly re-training with direct evaluation. When tested on the Buoyancy-Assisted Light Legged Unit (BALLU), GES discovers designs with 5 - 25% higher performance than naive universal policies. On hardware, a GES optimized design overcomes a 24 cm tall obstacle - 3x improvement over the baseline BALLU design. Moreover, GES curtails design optimization time by 37%.

arXivで原文を読む →arXiv概要ページ

← 論文一覧