用价值梯度优化多形态机器人设计

Nico Bohlinger 与 Jan Peters 提出一种基于价值梯度的多形态机器人设计方法：先在多种机器人设计上训练形态感知的策略与价值函数，再把冻结的价值函数当作可微代理，通过价值梯度优化候选形态。 据该研究，单个模型最多在 50 种机器人上训练，设计空间超过 1100 个连续形态参数，覆盖扰动单机器人与跨形态类别的留出机器人；价值梯度还能识别限制性能的设计与控制参数，用于新机器人设计的优化与分析。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。