A Descriptive Model of Robot Team and the Dynamic Evolution of Robot Team Cooperation
目前，多机器人领域的机器人团队协作研究还处于定性分析阶段，缺乏能够定量描述任务需求不断变化时团队协作关系动态演化的描述模型。首先从整体上静态描述了机器人团队的组织模型HWROM，然后借鉴马尔可夫过程和贝叶斯定理，动态描述了团队协作关系的建立。最后从合作实体层、能力层和关系层三个层次研究了团队的形成和合作机制，并讨论了在演化过程中如何优化关系动作集。提出并描述了机器人团队的动态演化模型和团队间的协作关系，不仅可以从整体上概括机器人团队，而且可以定量描述机器人团队的动态演化过程。用户还可以根据该模型对机器人团队的协作关系和遇到新需求时的行动进行预测。期刊网页和大量机器人相关论文www.ars-journal.com
2006-01-14 cs.RO
Technical Report: Distributed Sampling-based Planning for Non-Myopic Active Information Gathering
University of Pennsylvania（宾夕法尼亚大学）
研究了多机器人系统的主动信息采集问题。具体来说，我们考虑的情况下，机器人的任务是减少不确定性的动态隐藏状态在复杂的环境中发展。大多数现有的信息收集方法是集中式的，因此，它们不能应用于分布式机器人团队，其中与中央用户的通信不可用。为了解决这一挑战，我们提出了一种新的分布式采样为基础的规划算法，可以显着提高机器人和目标的可扩展性，同时降低计算成本。在我们的非近视方法中，所有机器人都并行地构建局部树，探索信息空间及其相应的运动空间。当机器人构建各自的局部树时，它们与邻居进行通信，通过分布式卡尔曼滤波器交换和聚合关于隐藏状态的局部信念。我们证明了所提出的算法是概率完全的和渐近最优的。我们提供了大量的模拟结果，证明了所提出的算法的可扩展性，它可以解决大规模的，多机器人的信息收集任务，这是计算上具有挑战性的集中式方法。
2021-07-23 cs.RO
N-QR: Natural Quick Response Codes for Multi-Robot Instance Correspondence
Georgia Institute of Technology（佐治亚理工学院）；Bowery Farming（鲍里农场）
针对多机器人系统图像匹配难的问题，提出类似QR码的N-QR自然快速响应码方法，在生产级农场实现高准确率匹配，大幅降低带宽并提升速度，还验证了播种策略与发芽的关联。
2024-03-09 cs.RO
Mean-Shift Theory and Its Applications in Swarm Robotics: A New Way to Enhance the Efficiency of Multi-Robot Collaboration
Fellow, IEEE（IEEE会士）；Life Fellow, IEEE（IEEE生命会士）
本文综述了群体机器人无分配协作的最新进展，重点介绍均值漂移探索策略如何将大规模群体形状形成效率提升数十倍，并展示其在智能仓储、区域探索和货物运输中的应用。
2025-11-07 cs.RO
Monitoring Over the Long Term: Intermittent Deployment and Sensing Strategies for Multi-Robot Teams
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在本文中，我们制定和解决间歇性的部署问题，产生的战略，夫妇\emph{when}异构机器人应该感觉到一个环境的过程中，与部署的团队应该在环境中的感觉。作为一种动机，假设时空过程正在缓慢演变，并且必须由多机器人团队监控，例如，无人驾驶飞行器监测精准农业背景下的牧场。在这种情况下，间歇性部署战略是必要的，因为持续部署或监测对于缓慢演变的进程来说不具有成本效益。与此同时，一旦部署，在哪里感测的问题必须得到解决，因为过程观察产生有用的反馈，以确定有效的未来部署和监测决策。在这种情况下，我们的环境过程进行监测的时空高斯过程与互信息作为衡量我们对环境的理解的标准。为了使传感资源有效，我们演示了如何使用拟阵约束施加一组不同的同质和异构的约束。此外，为了反映现实世界的应用程序的成本敏感性，我们应用部署异构机器人团队的成本预算。为了解决这个问题，我们利用次模优化和拟阵的理论，并提出了一个贪心算法的次优界。最后通过蒙特卡罗仿真验证了该方法的正确性。
2021-11-17 cs.DS cs.MA cs.RO
A Critical Review of Communications in Multi-Robot Systems
University of Cambridge（剑桥大学）
审查的目的。本文综述了通信格式和技术在实现多机器人系统中所起的广泛作用。我们从两个角度来探讨这一领域：机器人应用，需要通信能力，以完成任务，和网络技术，使更新和更先进的多机器人系统。最近的发现。通过这次审查，我们发现缺乏从整体上解决机器人及其使用的网络的协同设计和协同优化问题的工作。我们还强调了数据驱动和机器学习方法在发展多机器人系统通信管道中的作用。特别是，我们指的是最近的工作，偏离手工设计的通信模式，并讨论在这种情况下的“模拟到真实”的差距。摘要我们提出了机器人算法及其网络系统的发展方式的批判性观点，并提出了一种更具协同性的方法。最后，我们还确定了研究和开发的四个广泛的开放问题，同时提供了解决其中一些问题的数据驱动视角。
2022-06-19 cs.MA cs.RO
EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action
Yinwang Intelligent Technology Co. Ltd（银旺智能科技有限公司）
EWAM提出一种以行动为中心的统一具身模型，通过非对称联合注意力在无逐层监督下涌现深度专业化，在仿真和真实机器人上超越现有基线，并证明统一学习可诱导从语义理解到行动形成的内部有序演进。
2026-10-01 cs.RO
Evolving Robots on Easy Mode: Towards a Variable Complexity Controller for Quadrupeds
University of Oslo（奥斯陆大学）
腿式机器人的环境或任务的复杂性可以告知其步态必须有多专业才能确保成功。发展专门的机器人步态需要许多评估-计算机模拟是可以接受的，但不是物理机器人。对于某些任务，具有较低优化成本的更一般的步态可能是令人满意的。在本文中，我们介绍了一种新型的步态控制器的复杂性，可以设置一个单一的参数，使用动态基因型表型映射。低控制器复杂性导致保守的步态，而更高的复杂性允许更复杂和更高的性能要求的任务，在优化工作的成本。我们在虚拟机器人上研究了新的控制器，并在现实世界的机器人上进行了初步测试。我们表明，具有可变的复杂性，使我们能够适应不同的优化预算。在仿真中具有高评估预算的情况下，复杂的控制器表现最好。此外，具有有限评估预算的现实世界的进化表明，对于相对简单的环境，较低的步态复杂度是优选的。
2019-02-12 cs.RO
Multi-Robot Bearing-based Pose Estimation via Angle Rigidity
Institute of Engineering Technology and Sciences "Hilario Fernández Long" (CONICET-UBA)（希拉里·费尔南德斯·隆工程技术与科学研究所（CONICET-UBA））；Centre for Automation and Robotics (CSIC-UPM)（自动化研究中心（CSIC-UPM））；Artificial Intelligence and Robotics Laboratory, Universidad de San Andrés and CONICET（人工智能与机器人实验室，圣安德烈斯大学及CONICET）
提出一种分布式仅方位姿态估计器，利用体坐标系方位角计算位置并恢复姿态，仅需角度刚性条件，实现局部一致指数稳定。
2026-09-07 cs.RO cs.SY eess.SY
OnEvoMemory: Evolving Memory through Online Robot Rollouts for Pretrained Robot Policies
Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）
针对现有机器人记忆机制依赖外部模型的问题，提出OnEvoMemory价值引导记忆模块，结合离线初始化与在线试跑优化记忆选择，提升了基础VLA策略在长时程机器人操作中的性能。
2026-08-11 cs.RO
SInViG: A Self-Evolving Interactive Visual Agent for Human-Robot Interaction
ByteDance Research（字节跳动研究院）；Tsinghua University（清华大学）
本文提出自进化交互式视觉智能体SInViG，通过多轮视觉-语言对话消解语言歧义，并利用无标注图像与大语言模型自动持续学习，在多个交互式视觉定位基准上达到最先进性能，并在Franka机器人上验证了自然交互与多样化指令执行能力。
2024-02-20 cs.RO
Evolving a Behavioral Repertoire for a Walking Robot
Sorbonne Universités, UPMC Univ Paris 06（索邦大学，巴黎第六大学（UPMC））；CNRS（法国国家科学研究中心）
已经提出了许多算法来允许足式机器人学习行走。然而，这些算法中的绝大多数都是为了学习直线行走而设计的，这不足以完成任何现实世界的任务。在这里，我们介绍了基于可转移性的行为库进化算法（TBR-Evolution），一种新的进化算法，同时发现了数百个简单的行走控制器，每个可能的方向。通过利用通常被进化过程丢弃的解决方案，TBR-Evolution比独立进化每个控制器要快得多。我们的技术依赖于两种方法：（1）带有本地竞争的新颖性搜索，它搜索高性能和多样化的解决方案，以及（2）可移植性方法，它结合模拟和真实测试来进化物理机器人的控制器。我们评估这种新技术的六足机器人。结果表明，只有几十个简短的实验上进行的机器人，该算法学习的控制器，允许机器人到达其可达空间中的每一个点的剧目。总的来说，TBR-Evolution开启了一种新的学习算法，可以同时优化机器人所有可实现的行为。
2014-12-15 cs.RO
Multi-task Learning with Gradient Guided Policy Specialization
Georgia Institute of Technology（佐治亚理工学院）
我们提出了一种方法，有效地学习多个相关的机器人运动技能的控制策略。我们的方法包括两个阶段，联合培训和专业化培训。在联合训练阶段，用最少的信息训练神经网络策略以消除运动技能的歧义。这迫使策略学习不同任务的公共表示。然后，在专业化训练阶段，我们根据衡量多个任务之间不一致性的每个权重度量有选择地划分策略的权重。通过分割控制策略的一部分，可以进一步训练它来专门处理每个任务。为了在学习过程中更新控制策略，我们使用广义优势函数信赖域策略优化（TRPOGAE）。我们提出了一个修改的梯度更新阶段的TRPO，以更好地适应多任务的学习场景。我们评估了我们在模拟中的三个连续运动技能学习问题上的方法：1）运动任务，其中训练具有相当大的形状和尺寸差异的三个单腿足式机器人向前跳跃，2）操纵任务，其中训练具有不同尺寸和关节类型的三个机器人操纵器到达3D空间中的不同位置，以及3）两条腿的足式机器人的运动，其一条腿的运动范围以不同的方式受到限制。我们将我们的训练方法与三个基线进行比较。第一个基线只对策略进行联合训练，第二个基线为每个任务训练独立的策略，最后一个基线随机选择要分割的权重。我们表明，我们的方法比每种基线方法都更有效地学习。
2018-03-02 cs.AI cs.LG cs.RO
KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
Honda Research Institute, USA（本田研究院）；University of Maryland, College Park（马里兰大学）
KGLAMP通过知识图谱引导LLM实现异构多机器人系统的自适应规划与再规划，提升动态环境下的规划效率和准确性。
2026-02-04 cs.AI cs.ET cs.MA
SeedPolicy: Horizon Scaling via Self-Evolving Diffusion Policy for Robot Manipulation
Sichuan University（四川大学）；Dexmal Inc.（Dexmal公司）；Independent Researcher（独立研究员）；UESTC
本文提出SEGA模块，通过门控注意力机制提升扩散策略在长时域操控中的表现，实验表明其在RoboTwin 2.0基准上优于现有方法，具有更高的效率和性能。
2026-07-31 cs.RO
A Comparative Study of Brain Reproduction Methods for Morphologically Evolving Robots
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Bologna（博洛尼亚大学）
本文比较了模块化机器人进化中无性/有性大脑繁殖与达尔文/拉马克机制组合的四种方案，发现无性繁殖结合拉马克框架在适应度上最优，且大脑繁殖方法不影响机器人形态。
2023-05-30 cs.RO
Generational Replacement and Learning for High-Performing and Diverse Populations in Evolvable Robots
Department of Informatics University of Oslo（信息学院奥斯陆大学）；RITMO, Department of Informatics University of Oslo（RITMO信息学院奥斯陆大学）
本研究通过结合代际替换与intra-life学习，在可进化机器人中提升多样性的同时保持性能表现。
2026-01-07 cs.RO
Comparing lifetime learning methods for morphologically evolving robots
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
机器人形态和控制器的进化同时导致了一个问题：即使父母的身体和大脑匹配良好，随机重组也可能打破这种匹配，并导致后代的身体与大脑不匹配。我们认为，这可以通过让新生机器人在出生后快速优化其遗传大脑的学习过程来缓解。我们比较了三种不同的算法来做到这一点。为此，我们考虑三个算法属性，效率，功效，以及对运行学习过程的机器人的形态差异的敏感性。
2022-03-08 cs.NE cs.RO
REVOLVE: An Automated Closed-Loop Framework for Evolving Robot Manipulation with Minimal Human Intervention
Jiangnan University（江南大学）
REVOLVE提出自动化闭环框架，通过自动重置与收集及双循环演化，在最小人工干预下持续提升机器人操作策略和智能体，实验显示成功率提升18.5%，人工工作量大幅减少。
2026-09-18 cs.RO
More complex environments may be required to discover benefits of lifetime learning in evolving robots
University of Oslo（奥斯陆大学）
本研究探讨了寿命内学习对演化机器人运动的影响，发现在更具挑战性的丘陵环境中学习的益处显著优于平坦环境，表明评估机器人学习效果需采用复杂环境。
2024-12-11 cs.AI cs.RO
DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
Stanford University（斯坦福大学）；Columbia University（哥伦比亚大学）
DexAgent是一个智能体化的Human2Sim2Robot框架，通过语义理解、仿真重建、轨迹优化和数据生成四阶段，将单个人类视频转换为机器人训练轨迹，利用自进化工具库和验证器适应多样物体，成功率比基线高3.5倍。
2026-10-06 cs.RO
Seed2Scale: A Self-Evolving Data Engine with Parallel Worlds Expansion for Scalable Robot Learning
ZTE Corporation（中兴通讯公司）
Seed2Scale通过小到大模型协同和多模态评估，实现具身AI的自我进化数据引擎，显著提升性能并提供可扩展的开发路径
2026-10-09 cs.RO
GuidedVLA: Specifying Task-Relevant Factors via Plug-and-Play Action Attention Specialization
Institute of Trustworthy Embodied AI (TEAI)（可信具身人工智能研究院）；Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室）；Shanghai Jiao Tong University（上海交通大学）；OpenDriveLab, The University of Hong Kong（OpenDrive实验室，香港大学）
提出GuidedVLA框架，通过为动作解码器中的注意力头分配人工定义的辅助信号（如物体定位、空间几何、时序技能逻辑），显式引导模型关注任务相关因素，提升VLA模型在域内和域外场景的成功率。
2026-06-01 cs.RO
RoboMorph: Evolving Robot Morphology using Large Language Models
University of Warsaw（华沙大学）；IDEAS NCBR；Nomagic；Polish Academy of Sciences（波兰科学院）
RoboMorph利用大语言模型和进化算法自动生成和优化模块化机器人设计，通过结构化语法探索设计空间，结合最佳-shot提示策略和强化学习评估，在四种地形中发现多种适应性形态，展示LLM与进化选择结合的有效性。
2026-03-21 cs.LG cs.RO
Evolving Modular Soft Robots without Explicit Inter-Module Communication using Local Self-Attention
University of Trieste（的里雅斯特大学）；Google Brain（谷歌大脑）
模块化在机器人领域具有巨大的潜力。原则上，模块化机器人可以在不同的机器人中拆卸和重新组装，并可能执行新的任务。然而，实际上利用模块化仍然是一个未解决的问题：控制器通常依赖于模块间通信，这一实际要求使得模块不能完全互换，从而限制了它们的灵活性。在这里，我们专注于基于体素的软体机器人（VSRs），机械相同的弹性块的聚合。我们在每个体素内部使用相同的神经控制器，但没有任何体素间的通信，因此为模块化提供了理想的条件：模块都是平等的，可互换的。我们通过演化计算优化了体素间共享的神经网络参数。最重要的是，我们在控制器内部使用了一种局部的自我注意力机制，以克服模块间通信渠道的缺失，从而使我们的机器人能够真正由其模块的集体智能驱动。我们的实验表明，进化的机器人是有效的运动的任务：由于自我注意，在同一个机器人中体现的相同的控制器的实例可以集中在不同的输入。我们还发现，进化的控制器推广到看不见的形态，经过短暂的微调，这表明与任务相关的归纳偏见来自真正的模块化。
2022-04-13 cs.NE cs.RO
Gait-learning with morphologically evolving robots generated by L-system
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
当机器人的控制器（大脑）和形态（身体）同时进化时，这可能会导致一个问题，即大脑和身体不匹配问题。在本研究中，我们提出了终身学习的解决方案。我们建立了一个系统，模块化机器人可以通过重组和突变创造继承父母身体的后代。关于后代的大脑，我们使用两种方法来创造它们。第一个是进化，这意味着机器人孩子的大脑是从父母那里继承来的。第二种方法是进化加学习，这意味着孩子的大脑也是遗传的，但另外是由一种学习算法- RevDEknn开发的。我们通过在一个名为Revolve的模拟器中运行实验来比较这两种方法，并使用效率，功效和机器人的形态智能进行比较。实验表明，进化加学习方法不仅导致更高的适应度水平，但也有更多的形态进化的机器人。这构成了一个定量的证明，即大脑的变化可以引起身体的变化，导致形态智能的概念，这是量化的学习增量，这意味着形态的能力，以促进学习。
2021-10-07 cs.AI cs.LG cs.RO
On the Generalization Capability of Evolved Counter-propagation Neuro-controllers for Robot Navigation
Faculty of Engineering, Tel-Aviv University（以色列特拉维夫大学工程学院）
进化的反向传播神经控制器（CPNC），而不是传统的前馈神经控制器（FFNC），最近被建议和测试使用模拟机器人导航。结果表明，CPNC的收敛速度和最终性能均优于FFNC。在本文中，这两种类型的进化导航控制器的迷宫泛化功能进行了研究。为此，控制器在与用于其训练的环境截然不同的环境中进行测试。并将单目标和多目标演化方法的结果进行了比较。使用模拟案例研究，迷宫推广能力的进化CPNC突出在单目标和多目标的情况下。相比之下，进化的FFNC被发现在这两种方法中都缺乏这种能力。
2020-04-25 cs.NE cs.RO
Evolving Embodied Intelligence: Graph Neural Network--Driven Co-Design of Morphology and Control in Soft Robotics
LIACS, Leiden University（莱顿大学LIACS）；School of Mechanical Engineering, Xi’an Jiaotong University（西安交通大学机械工程学院）；Department of Computer Science, Loughborough University（洛桑大学计算机科学系）
本文提出基于图神经网络的软机器人形态与控制协同设计方法，通过图结构建模实现形态演化与控制策略的动态适应，实验表明该方法在最终适应度和形态变化适应性上优于传统MLP方法。
2026-03-20 cs.AI cs.RO
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 Dexterous Robots from Scratch
本研究从零进化自由形态机器人，通过对比学习、自回归模型、进化策略和强化学习，实现灵巧操作，并零样本转化为实体，达到进化机器人领域最先进水平。
2026-09-29 cs.LG cs.RO
When Search Becomes Memory: Accelerating Robot Design Discovery with Self-Evolving Skills
University of Michigan（密歇根大学）
提出Auto-Robotist，一种自进化LLM代理，通过将形态搜索轨迹提炼为自然语言技能库，实现可迁移的机器人设计知识，在EvoGym任务中提升冷启动搜索并跨设计空间迁移技能。
2026-09-25 cs.AI cs.CL cs.CV
Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
机器人的设计和控制在其任务执行中发挥着同样重要的作用。然而，虽然最优控制在机器学习和机器人社区中得到了很好的研究，但很少关注寻找最优机器人设计。这主要是因为机器人协同优化设计和控制是一个具有挑战性的问题，更重要的是，协同优化的综合评价基准不存在。在本文中，我们提出了进化健身房，第一个大规模的基准协同优化设计和控制的软体机器人。在我们的基准测试中，每个机器人都由不同类型的体素组成（例如，柔性、刚性、致动器），从而形成模块化和富有表现力的机器人设计空间。我们的基准测试环境涵盖了广泛的任务，包括在各种地形上的移动和操作。此外，我们开发了几个机器人协同进化算法相结合的最先进的设计优化方法和深度强化学习技术。在我们的基准平台上评估算法，我们观察到随着进化的进展，机器人表现出越来越复杂的行为，最好的进化设计解决了我们提出的许多任务。此外，尽管机器人设计是在没有先验知识的情况下从零开始自主进化的，但它们通常会变得像现有的自然生物，同时表现优于手工设计的机器人。尽管如此，所有经过测试的算法都未能找到在我们最困难的环境中取得成功的机器人。这表明，需要更先进的算法来探索高维设计空间，并进化出越来越智能的机器人--我们希望Evolution Gym能加速这一研究领域的进展。我们的网站上有代码、环境、文档和教程，网址是http://evogym.csail.mit.edu。
2022-01-24 cs.LG cs.NE cs.RO
HINT: Human-Intent Inception for Long-Horizon Robot Manipulation
Zhejiang University（浙江大学）；Shanghai Jiao Tong University（上海交通大学）；Noematrix（诺埃马特里斯（Noematrix））；EndlessAI（无尽人工智能（EndlessAI））
HINT 是受人类操作原则启发的智能体框架，仅在操作模式转换时进行语义推理，通过两种视觉接口传递意图，在长 horizon 机器人操作任务中提升了基础策略的意图理解与任务成功率。
2026-09-09 cs.RO
Monte Carlo Tree Search with Tensor Factorization for Optimization Problems in Robotics
Idiap Research Institute（Idiap研究机构）；École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校）
提出TTTS算法，利用张量分解压缩决策树分支间的隐式相关性，以线性复杂度降低MCTS的计算和存储开销，在逆运动学、运动规划、多阶段操作等任务中实现高效全局优化。
2026-10-15 cs.RO
EvoHIL: Self-Evolving Reward and Flow-Matched Policy Optimization for Robust Human-in-the-Loop Reinforcement Learning
EvoHIL是适配奖励模型、动作生成器和视觉域的统一交互式学习框架，在六类机械臂操纵任务中提升了成功率、运动平滑度等性能。
2026-08-05 cs.RO
ARCADE: Adaptive Robot Control with Online Changepoint-Aware Bayesian Dynamics Learning
Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）；Department of Computer Science, Aalto University（阿alto大学计算机科学系）
ARCADE通过在线变化点感知机制实现机器人动态的自适应控制，提升预测精度和恢复能力。
2025-12-16 cs.RO
InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-尚佩恩分校）；NVIDIA（英伟达）
InterMimicGen提出自进化运动模仿框架，通过数据飞轮将稀疏人-物交互演示扩展为多样化机器人参考，训练通用跟踪器并提升移动操作能力，实现向真实机器人的迁移。
2026-10-06 cs.CV cs.GR cs.RO
SEAR: Self-Evolving Agentic Robotics
Luma AI（卢马人工智能公司）
本研究提出SEAR框架与基准，探究智能体机器人的学习本质与泛化性，发现其学习曲线受预算与任务难度影响，控制代码可跨场景迁移，不同模型进化方式有差异，且纯文本模型可与多模态模型性能相当。
2026-10-14 cs.AI cs.CL cs.RO
Evolving the Complete Muscle: Efficient Morphology-Control Co-design for Musculoskeletal Locomotion
Naval University of Engineering（海军工程大学）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）；Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系）
本文提出一种高效协同设计方法，通过进化完整肌骨形态空间，同时优化肌肉强度、速度和刚度，提升复杂任务中的运动稳定性与学习效率。
2026-04-14 cs.RO
Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement
Kyung Hee University（庆熙大学）；G-LAMP NEXUS Institute, Kyung Hee University（庆熙大学G-LAMP NEXUS研究所）；Nanyang Technological University（南洋理工大学）
本文综述了人形机器人部署后自进化的机制、安全性与评估，提出四种进化机制及世界模型验证门约束，并指出缺乏专用基准等开放挑战。
2026-09-15 cs.DC cs.RO
Modular Controllers Facilitate the Co-Optimization of Morphology and Control in Soft Robots
University of Vermont（佛蒙特大学）
针对软体机器人脑-体协同优化中控制器与身体构型特化导致过早收敛的问题，提出采用模块化控制器提升形态变化鲁棒性与可迁移性，实验验证其能提高正向突变率与进化后机器人性能，助力设计自动化。
2023-06-12 cs.NE cs.RO
REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation
Xingjian College, Tsinghua University（清华大学行健书院）；Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）；UC Berkeley（加州大学伯克利分校）
本研究提出REMAC自适应多智能体规划框架，通过自反思与自进化实现多机器人长时程任务规划，在RoboCasa基准测试中使任务平均成功率提升40%、执行效率提升52.7%。
2026-08-11 cs.AI cs.CL cs.CV
Evolving Skill Modules under a Fixed Planner: Versioning, Rollback, and Runtime Governance for Long-Lived Robot Systems
School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；School of Mathematical and Computer Sciences, Heriot-Watt University（赫瑞-沃德大学数学与计算机科学学院）；School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院）
本文提出了一种以能力为中心的体素代理进化范式，通过引入体素能力模块（ECMs）实现持续改进，同时保持代理身份的稳定性，实验表明其在任务成功率和安全性方面优于传统方法。
2026-09-21 cs.AI cs.RO
On Multi-Robot Path Planning Based on Petri Net Models and LTL specifications
Aragón Institute of Engineering Research (I3A)（阿拉贡工程研究所（I3A））；University of Zaragoza（萨拉戈萨大学）；Université Paris-Saclay（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）
这项工作考虑了路径规划问题的一组相同的机器人在已知的环境中发展。机器人应该满足一个全球性的规格作为一个线性时序逻辑（LTL）公式在一组感兴趣的区域。该方法利用Petri网模型的机器人团队和Büchi自动机建模规范的优势。在本文中的方法包括将这两个模型组合成一个，表示组合Petri网，并使用它来找到一个移动机器人的动作运动序列，提供无碰撞的轨迹，以满足规范。该解是由一组混合线性规划（MILP）问题得到的。所提出的解决方案的主要优点是算法的完整性，这意味着当存在时会找到解决方案，这代表了与我们以前的工作的关键区别[1]。仿真结果说明了当前和以前的方法之间的比较结果，侧重于计算复杂性。
2022-11-08 cs.RO
Demonstration-Enhanced Adaptable Multi-Objective Robot Navigation
Humanoid Robots Lab, University of Bonn, Germany（波恩大学人形机器人实验室）
针对用户偏好随情境变化的问题，提出融合演示学习与MORL的框架，使机器人无需重训即可动态调节导航策略，并在双机器人仿真到真实实验中验证其适应性与导航性能。
2025-10-18 cs.RO
Hazard analysis of human--robot interactions with HAZOP--UML
University of Toulouse（图卢兹大学）；LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）
新的安全关键系统即将出现在我们的日常生活中：先进的机器人能够与人类互动，并在家中，医院或工作中执行任务。由故障或极端环境条件引起的这些系统的危险行为可能导致灾难性后果。在其他关键领域中使用的众所周知的风险分析方法（例如，航空电子、核能、医疗、运输），由于这些系统的非确定性行为，在非结构化环境中发展，因此必须扩展或调整。因此，一个主要的挑战是开发可以在开发过程的一开始就应用的方法，以识别由机器人任务及其与人类的交互引起的危险。在本文中，我们提出了一种方法，它是基于适应的危险识别技术，HAZOP（危险可操作性），再加上系统描述符号，UML（统一建模语言）。这种系统的方法已成功地应用于研究项目，现在是由机器人制造商应用。这些研究的一些结果，并进行了讨论，以解释我们的方法的好处和局限性。
2016-02-09 cs.RO
Co-Evolving Robot Orchestrators and Policies through Deployment
Stanford University（斯坦福大学）；NVIDIA Research（英伟达研究院）
提出Robo-COP，通过部署中协同进化编排器与策略，解决VLA策略泛化瓶颈，提升模拟与真实任务的保留成功率。
2026-10-08 cs.RO cs.SY eess.SY
Stable Robot Motions on Manifolds: Learning Lyapunov-Constrained Neural Manifold ODEs
Department of Computer and Information Sciences University of Konstanz（计算机与信息科学系康斯坦茨大学）；Department of Robotics, Mohamed bin Zayed University of Artificial Intelligence（机器人学系Mohamed bin Zayed人工智能大学）；Mechanical Engineering Department, New York University Abu Dhabi（机械工程系纽约大学阿布扎克分校）
提出一种在黎曼流形上学习稳定动力系统的通用框架，通过神经常微分方程和投影保证李雅普诺夫稳定性，并在多种流形及真实机器人实验中验证了性能。
2025-10-07 cs.LG cs.RO math.OC
Emergence of specialized Collective Behaviors in Evolving Heterogeneous Swarms
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本研究通过演化具有表型可塑性的模拟机器人群体，发现子群体涌现出专门化行为，群体性能依赖子群体交互，并设计了在线调节机制以提升整体性能和可扩展性。
2024-02-07 cs.AI cs.RO
VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Iowa State University（爱荷华州立大学）
提出VASO框架，通过形式验证引导LLM生成的机器人技能合约自进化，将模型检查的反例转化为文本梯度更新技能合约，无需微调模型权重，在Jackal和四旋翼任务中达到97.2%的形式规范符合率。
2026-06-03 cs.AI cs.RO
DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents
Nanyang Technological University（南洋理工大学）；Nanjing University（南京大学）
针对长时程操作中语义与物理执行脱节的问题，提出动态物理约束装置DynaHarness，通过共享执行契约和失败归因实现能力自进化，在LIBERO-Pro上显著提升成功率。
2026-10-01 cs.AI cs.LG cs.RO
Evolving soft locomotion in aquatic and terrestrial environments: effects of material properties and environmental transitions
Morphology, Evolution & Cognition Lab, University of Vermont（佛蒙特大学形态、进化与认知实验室）；Department of Biological Statistics and Computational Biology, Cornell University（康奈尔大学生物统计与计算生物学系）；Fluid Structure Interaction Research Group, Southampton Marine and Maritime Institute, University of Southampton（南安普顿大学南安普顿海洋与海事研究所流体结构相互作用研究组）
设计软体机器人带来了相当大的挑战：自动化设计方法在这一领域可能特别有吸引力，因为它们有望在很少或没有人为干预的情况下优化复杂的多材料机器。进化软机器人学关注的是受自然进化启发的优化算法的应用，以便让软体机器人（形态和控制器）在物理现实的模拟环境中自发地进化，找出如何满足人类设计师定义的一组目标。在本文中，一个强大的进化系统到位，以执行广泛的调查自由形式的进化的步行和游泳软体机器人在不同的环境。三组实验报告，解决软运动的演变的不同方面。前两组探讨了不同材料特性对陆地和水生软运动进化的影响：特别是，我们展示了不同材料如何导致不同形态，行为和能量性能权衡的进化。研究发现，在我们简化的物理世界中，较硬的机器人在陆地上进化出更复杂和有效的步态和形态，而较软的机器人在水中表现得更好。第三组实验开始调查进化过程中主要环境转变（陆地-水）的影响和潜在利益。结果提供了有趣的形态exaptation现象，并指出一个潜在的不对称之间的土地-水和水-土地的过渡：而第一种类型的过渡似乎是有害的，第二个似乎有一些有益的影响。
2017-11-17 cs.AI cs.NE cs.RO
Evolving neural networks to follow trajectories of arbitrary complexity
Nottingham Trent University（诺丁汉特伦特大学）；Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所）；Santa Fe Institute（圣塔菲研究所）
已经进行了许多使用进化算法来学习控制机器人或虚拟代理的神经网络的拓扑和连接权重的实验。这些实验不仅是为了更好地理解基本的生物学原理，而且希望随着方法的进一步发展，它们将在自动创建感兴趣的机器人行为方面具有竞争力。然而，目前的方法是有限的（Kolmogorov）复杂性的演变行为。以机器人轨迹的演化为例，我们表明，通过向神经网络演化的标准方法中添加四个特征，即（1）冻结先前演化的结构，（2）时间支架，（3）输出节点的齐次传递函数，以及（4）创建新的输出路径的突变，我们可以在数千代中实现行为复杂性的近似线性增长。总的来说，进化的复杂性是两个数量级以上的标准方法在这里报道的实验中实现的，进一步增长的主要限制因素是可用的运行时间。因此，这里提出的一套方法有望成为一个有用的除了目前的各种神经进化方法。
2019-05-21 cs.LG cs.NE cs.RO
Evolving embodied intelligence from materials to machines
The Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织（CSIRO））；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）；La Trobe University（拉筹伯大学）；Monash University（莫纳什大学）
自然生命形式在许多层面上专注于它们的环境小生境;从DNA和蛋白质等低级特征，到包括眼睛，四肢和总体身体计划在内的高级人工制品。我们提出了多层次进化（MLE），一个自下而上的自动化过程，设计机器人在多个层次和利基他们的任务和环境条件。MLE同时探索组成分子和材料的“积木”，以及它们可能的组装成专门的形态和感觉运动配置。MLE提供了一条充分利用最近可用候选材料爆炸和快速制造工艺持续进步的途径。我们概述了一个可行的MLE架构，实现这一愿景，突出的主要障碍，以及如何克服它们，并显示机器人应用程序MLE是特别适合。通过形成一个研究议程来激发相关领域研究人员之间的讨论，我们希望激发从材料到机器的多层次机器人设计的追求。
2019-01-17 cond-mat.mtrl-sci cs.LG cs.NE
