EMNLP’26|AI机器人协同设计智能体:每一次试错都留下经验
2026.11.07 · 收录日 2026.11.07 · 产品 · 论文 · 论文预印本
密歇根大学团队提出协同设计智能体Auto-Robotist,用LLM把仿真试错整理成可复用设计经验。
密歇根大学安娜堡分校团队提出AI机器人协同设计智能体Auto-Robotist,相关工作获EMNLP 2026主会录用并开源。系统用大语言模型提出结构改进、训练控制器并仿真检验,把结果整理成持续更新的技能库,在EvoGym七项软体机器人任务上平均最终最优得分均高于GA,平均收敛加速1.66倍。
- Auto-Robotist把机器人身体结构搜索与控制器训练结合,用LLM提出结构改进并仿真验证。
- 核心是持续更新的技能库,分L1原型、L2规则、L3观测三层,记录规律、保留证据、允许修订。
- 5×5网格冷启动实验中,七项任务平均最终最优得分均高于GA,平均收敛加速1.66倍,平均领先比例67%。
- 把5×5技能库迁移到10×10网格,六项任务超过GA、一项持平,最终最优得分平均差值+1.45。
- 消融实验显示,推物任务移除GA随机变异通路得分下降24.0%,移除L2规则与L3观测下降23.8%。
为什么值得看
看AI如何把机器人设计的失败经验变成可复用的知识。
适合谁关注
关注机器人设计、LLM智能体与自动搜索的研究者。
