Cognitive evolution enables de novo design of untethered millimeter-scale robots
本文介绍了 EvoAgent，这是一种利用认知进化来克服复杂设计约束的大语言模型智能体，它成功创造出了一款高性能、无绳索束缚的 10 毫米机器人，与传统的遗传算法基准相比，其推力和运行鲁棒性均得到了显著提升。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
那些无需连接电源即可自主移动的微型机器，为探索人类无法触及的微小或危险区域带来了希望。想象一下，一个只有米粒大小的装置，可以爬过破裂的管道以寻找泄漏点，或者在人体内穿行以传递药物。然而，挑战在于，在如此微小的尺度下，机器的每一个部件都必须容纳在不超过几毫米的空间内。电池、电机和腿部都必须共享这个拥挤的体积，而且改变其中一个部件往往会破坏另一个部件。如果电机做得稍大一点以产生更多动力，它可能会导致没有空间放置电池，或者可能改变机器的平衡，使其无法行走。设计这些机器人通常需要一种艰难的平衡术，工程师们试图猜测零件的最佳组合，这往往依赖于耗时且经历多次失败的试错法。
来自北航及其他机构的研究团队开发了一种利用类似于工程师思维的人工智能技术，从而找到了解决这一难题的新方法。他们创建了一个名为 EvoAgent 的系统，它作为一个数字设计师，能从自身的错误和成功中学习。该系统并非只是随机尝试不同的形状并寄希望于其中一个奏效，而是利用大语言模型来理解设计背后的物理原理。在计算机运行模拟实验观察机器人是否能移动之前，EvoAgent 会先提出一个新的设计方案，并解释其选择背后的物理原因。它会思考之前的设计为何失败——例如电线太粗或间隙太小——并利用这些知识来提出一个更好的版本。这个过程创造了一个设计的“家族树”，其中从一代设计中获得的教训会被传承给下一代，从而使系统比传统方法更快地进化出能够工作的机器人。
研究人员通过尝试设计毫米级机器人的两个关键部件来测试这种方法：提供动力的电磁电机，以及将动力转化为运动的腿部结构。他们将这种新型 AI 驱动的方法与依赖随机变异（类似于生物学中的自然选择）的旧有标准技术进行了对比。结果显示，AI 方法的效率要高得多。在占用相同空间的情况下，它找到的电机设计所产生的推力是旧方法所能找到的最佳设计的两倍多。当研究人员根据 AI 的设计制造出机器人后，证明其性能非常出色。最终的机器长度仅为 10 毫米，重量仅为 1 克，其移动速度达到了每秒 6.5 倍体长。它的可靠性也高得多，能在三十种不同的电流和振动频率组合下成功移动，而由旧方法设计的机器人仅能在十种条件下工作。
这项成就的意义不仅在于机器人的速度，更在于其设计过程本身。AI 系统成功应对了通常会让人类设计师陷入困境的复杂约束网络。它学到了某些变化（例如增加电机中的线圈匝数）虽然会提升功率，但也会增加重量，并且它弄清楚了如何在不测试每一种可能性之间平衡这些权衡。该系统记录了其发现，将特定的失败转化为可以应用于未来设计的通用规则。例如，它学会了避免使用某些会导致机器人失去地面接触的形状。这种从物理反馈中学习并将教训应用于新问题的能力，暗示了一种构建机器的新方式。研究人员制造了机器人，对其进行了测试，并证实计算机模拟预测的性能与现实世界的结果相吻合。该机器人不仅能向前移动，还能急转弯，并能携带超过自身重量五倍的负载。
这项工作表明，人工智能不仅仅可以优化数字，它还可以理解物理世界，从而发明新的机器。通过将设计过程视为一场计算机从自身历史中学习的对话，研究人员得以创造出一种具有广泛安全裕度和性能表现的机器人。该机器在广泛条件下运行的能力，意味着它更有可能在需要此类机器的不可预测环境中取得成功。虽然这项研究侧重于特定类型的机器人，但用于设计它的方法可以应用于其他零件必须在狭窄空间内协同工作的复杂系统。该项目的成功表明，机器人技术的未来不仅在于制造更小的机器，还在于教会计算机像建造它们的工程师那样思考，通过从每一步过程中学习，创造出既具创新性又具实用性的设计。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。