A Neuro-Symbolic Humanlike Arm Controller for Sophia the Robot
Hanson Robotics Ltd（汉森机器人公司）
我们概述了使用机器感知、卷积神经网络和符号AI进行逻辑控制和启示索引的新型机器人手臂的设计和构造。我们描述了我们的机器人手臂与人类一样的机械配置和美学，28自由度，触摸传感器，和一系列的弹性致动器。这些手臂是在Roodle和Gazebo中使用URDF模型以及Unity建模的，并实现了运动控制解决方案，用于解决百家乐（赌场纸牌游戏），剪刀石头布，握手和绘画的现场游戏。这包括与人的实时交互，结合了手部和面部姿势的社会控制，以及用于抓取和操纵任务的物理逆运动学（IK）。由此产生的框架是Sophia 2020 alpha平台的一个组成部分，该平台正在与作者与AHAM团队合作进行的研究中使用，AHAM是ANA Avatar Xprize致力于人类-AI混合远程呈现的努力。这些结果可在广泛发布的Hanson Robotics Sophia 2020机器人平台上进行测试，供用户尝试和扩展。
2020-10-27 cs.AI cs.RO
LLM-Meta-SR: In-Context Learning for Evolving Selection Operators in Symbolic Regression
Centre for Data Science and Artificial Intelligence & School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学数据科学与人工智能中心及工程与计算机科学学院）；Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系）
本文提出一种元学习框架，使LLM自动设计进化符号回归算法的选择算子，解决现有方法中语义指导不足和代码膨胀问题，实验表明LLM设计的选择算子优于九个专家设计基线，达到最先进的性能。
2026-03-31 cs.AI cs.LG cs.NE
Symbolic Learning Enables Self-Evolving Agents
AIWaves Inc.（AIWaves公司）
提出智能体符号学习框架，以数据为中心、模拟反向传播与梯度下降，使语言智能体在部署后自我优化，实现自我进化。
2024-06-26 cs.AI cs.CL cs.LG
Hierarchical Task Network Planning for Facilitating Cooperative Multi-Agent Reinforcement Learning
Jilin University（吉林大学）；Sun Yat-sen University（中山大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对稀疏奖励带陷阱的协作MARL中智能体易落陷阱、难达目标的问题，提出融合HTN规划与元控制器的两层SOMARL框架，利用符号知识引导探索，在两个基准上性能显著优于现有方法。
2023-06-14 cs.AI cs.LG
Self-Evolving Scientific Agent Designs Physically Reasoned White-Box Fluid Control
National University of Singapore（新加坡国立大学）
提出一种由大语言模型驱动的自进化科学智能体工作流，通过迭代代码生成和物理仿真诊断，自动构建可解释的控制器，并在欠驱动双关节狗鲨游泳器目标到达任务中实现零样本泛化。
2026-09-10 cs.AI physics.flu-dyn
Self-Evolving Multi-Agent Symbolic Discovery for Financial Fundamental Analysis
National University of Singapore（新加坡国立大学）；Asian Institute of Digital Finance（亚洲数字金融研究院）；KTH Royal Institute of Technology（KTH皇家理工学院）；University of Oxford（牛津大学）
提出MUFASA分层多智能体框架，通过解耦方程发现、元协调器推理和记忆机制，在非平稳金融条件下实现可解释符号回归，跨多国数据集达到最先进估值性能。
2026-09-29 cs.AI cs.LG cs.MA
Verified Compositional Neuro-Symbolic Control for Stochastic Systems with Temporal Logic Tasks
Washington University in St. Louis (WashU)（圣路易斯华盛顿大学）
针对未知随机动态系统LTL任务中NN控制器组合缺乏安全保证的问题，提出基于自动机理论和数据驱动可达性分析的神经符号控制方法，实现零样本安全行为并验证其正确性与完备性。
2023-11-22 cs.AI cs.LG cs.RO
How to discretize continuous state-action spaces in Q-learning: A symbolic control approach
College of Computing, University Mohammed VI Polytechnic（穆罕默德六世理工大学计算机学院）
本文提出一种符号控制方法，通过构建符号模型和双Q表Q学习算法，为连续状态-动作空间中的Q学习提供上下界保证，并实现精度与计算复杂度的可控权衡。
2024-06-05 cs.AI cs.SY eess.SY
An online evolving framework for advancing reinforcement-learning based automated vehicle control
The Ohio State University（俄亥俄州立大学）；Ford Greenfield Labs（福特格林菲尔德实验室）；Ford Motor Company（福特汽车公司）
本文提出了一种在线进化框架，用于提前检测和修正控制器的不完美决策。该框架由三个模块组成：不断发展的有限状态机（e-FSM），动作修正器和控制器模块。e-FSM模块演化随机模型（例如，离散时间马尔可夫链）从头开始，通过确定新的状态和识别转移概率重复。根据最新的随机模型和给定的准则，动作修正器模块通过预测未来状态来检查控制器选择的动作的有效性。然后，如果选择的操作不合适，则检查并选择另一个操作。为了显示所提出的框架的优点，深度确定性策略梯度（DDPG）的w/和w/o的在线进化框架被应用到控制自我车辆的车辆跟驰的情况下，控制标准设置的速度和安全。实验结果表明，DDPG控制器所选择的不适当的动作检测和适当的修改，通过我们提出的框架，在几次迭代后没有控制失败。
2020-06-16 cs.AI cs.RO cs.SY
A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination
A-SR是一种自进化智能体框架，通过分层协调实现符号回归，在LLM-SRBench科学领域和真实世界任务上显著提升了符号回归的Acc@0.01和归一化均方误差指标。
2026-08-07 cs.AI cs.CL cs.LG
Co-evolving morphology and control of soft robots using a single genome
University of Tsukuba（筑波大学）
在对软体机器人进行仿真时，它们的形态和控制器对任务性能起着重要的作用。本文介绍了一种新的方法，这两个组件在同一个过程中共同进化。我们通过使用hyperNEAT算法在一个通道中生成两个独立的神经网络来实现这一点，一个负责机器人身体结构的设计，另一个负责机器人的控制。我们的方法和大多数现有的方法之间的关键区别是，它不把形态和控制器的发展作为单独的过程。与自然相似，我们的方法从单个基因组中获得代理的“大脑”和“身体”，并将它们一起开发。虽然我们的方法更现实，不需要在进化过程中任意分离过程，但它也使问题变得更加复杂，因为这个单一基因组的搜索空间变得更大，基因组的任何突变都会同时影响“大脑”和“身体”。此外，我们提出了一个新的物种形成功能，考虑到基因型的距离，是标准的NEAT，和机器人机构之间的相似性。通过使用这个函数，具有非常不同身体的代理更有可能属于不同的物种，这允许具有不同形态的机器人拥有更专业的控制器，因为它们不会与其他与它们太不同的机器人交叉。我们评估了四个任务的方法，并观察到，即使搜索空间更大，有一个单一的基因组使进化过程收敛更快相比，有单独的基因组的身体和控制。我们种群中的智能体也显示出高度规律性的形态，并且控制器能够协调体素以产生必要的运动。
2022-12-22 cs.AI
Environment induced emergence of collective behaviour in evolving swarms with limited sensing
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Technology Innovation Institute（技术创新研究所）
为机器人群体设计控制器是一项挑战，因为人类开发人员通常无法很好地理解控制单个机器人的控制器的细节与群体行为之间的联系，而群体行为是群体成员与环境之间相互作用的间接结果。在本文中，我们调查是否进化的方法可以减轻这个问题。我们认为一个非常具有挑战性的任务，有限的传感和通信能力的机器人必须遵循梯度的环境特征，并使用差分进化来进化模拟机器人的神经网络控制器。我们进行了系统的研究，以衡量的灵活性和可扩展性的方法，通过改变规模的舞台和机器人的数量在群。实验证明了我们的方法的可行性，进化的机器人控制器诱导群体行为，解决了任务。我们发现，在最恶劣的条件下（环境线索最弱的情况下）进化出的解决方案是最灵活的，而且在种群规模方面存在一个最佳点。此外，我们观察到群体的集体运动，展示了真正的涌现行为，这在进化过程中并没有表现出来。
2022-04-11 cs.AI cs.RO
Synthesizing Evolving Symbolic Representations for Autonomous Systems
Institute for Cognitive Sciences and Technologies（认知科学与技术研究所）
本文提出一种开放式学习架构，使自主系统从零开始将经历合成为PPDDL符号表示并持续更新，通过内在动机驱动的探索、选项发现、知识抽象与规划形成良性循环，融合低层与高层表示以扩展知识。
2024-09-18 cs.AI cs.SC
Neuro-Symbolic Skill Discovery for Conditional Multi-Level Planning
Department of Computer Science and Technology The University of Cambridge（计算机科学与技术系 剑桥大学）；Department of Computer Engineering Bogazici University（计算机工程系 boazici大学）；SISREC Osaka University（Osaka大学SISREC）
本文提出了一种神经符号学习架构，通过少量演示获取可推广的高级符号技能，并在多级规划中实现复杂任务的执行。
2026-03-01 cs.AI cs.LG cs.RO
Self-evolving network verifiers
ETH Zürich（苏黎世联邦理工学院）
该研究提出一种自动演进的网络验证器，通过编码智能体与可信预言机的反例引导循环，让基于SMT的验证器自主学习新网络功能，解决手动维护模型的难题。
2026-08-13 cs.AI cs.NI
The Effects of Learning in Morphologically Evolving Robot Systems
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
同时进化机器人的形态（身体）和控制器（大脑）可能会导致后代的遗传身体和大脑之间的不匹配。为了缓解这个问题，通过所谓的生命三角框架增加婴儿学习期已经在相对较久以前提出。然而，迄今为止仍然缺乏实证评估。在本文中，我们从不同的角度研究这种学习机制的效果。使用广泛的模拟，我们表明，学习可以大大提高任务的性能，并减少所需的代数达到一定的健身水平相比，纯粹的进化方法。此外，虽然学习只直接影响控制器，我们证明，进化形态也将是不同的。这提供了一个定量的证据，证明大脑的变化可以引起身体的变化。最后，我们研究了形态智能的概念量化的能力，一个给定的身体学习。我们观察到，学习三角洲，遗传和学习大脑之间的性能差异，在整个进化过程中不断增长。这表明进化正在产生具有越来越大可塑性的机器人，也就是说，连续几代人正在成为越来越好的学习者，这反过来又使他们在给定的任务中变得越来越好。总之，我们的研究结果表明，生命三角不仅是一个理论上的兴趣的概念，但具有实际意义的系统架构。
2021-11-18 cs.AI cs.RO
Evolving Inspectable O-RAN Slicing xApps with LLMs
University of Southern California（南加州大学）
本研究利用LLM将O-RAN切片控制器演化为可读可编辑的Python程序，在5G测试平台上提升44.5%吞吐量，并将SLA违例率从79.9%降至2.2%。
2026-09-24 cs.AI cs.LG cs.SY
From Model-Based and Adaptive Control to Evolving Fuzzy Control
University of Paderborn（帕德博恩大学）；University of Ljubljana（卢布尔雅那大学）；University of Campinas（坎皮纳斯大学）
本文借模糊集合理论60周年回顾经典模糊与自适应控制框架，阐述演化模糊系统通过数据流增量更新规则库以应对非平稳环境，并指出安全性、可解释性和结构演化等未来方向。
2025-06-07 cs.AI cs.LG cs.SY
