AI进化出了一个几乎无法摧毁的机器人

学会在损伤中生存

在现实环境中部署的机器人的一个最持久的局限是它们的脆弱性。单个失效的执行器、损坏的肢体或损坏的传感器可以使原本功能正常的机器完全无法运行。在受控的工厂环境中使得机器人高效的僵硬、专用设计，一旦这些机器遭遇搜救行动、军事部署或行星探索的不可预测性，就会成为负担。一项来自领先机器人研究机构的新研究展示了一个潜在的解决方案：使用人工智能共同进化物理形状和控制软件的机器人，产生了几乎无法完全禁用的设计。

这项发表在《Science Robotics》上的工作使用了进化算法的一个变种——由自然选择启发的计算过程——来同时优化机器人的物理形态和控制它的神经网络。结果是一种机器不仅仅容忍损伤；它从一开始就被设计为假设损伤会发生。当研究人员移除肢体、刺穿气动执行器和禁用传感器时，该机器人继续移动并完成导航任务，成功率远超传统设计的机器人。

进化设计如何工作

该过程始于一个随机生成的机器人设计群体——具有不同数量的肢体、关节配置、材料性能和传感器布置的虚拟机体——每个都与随机初始化的控制网络配对。这些虚拟机器人被置于模拟物理环境中，并根据其完成任务的能力进行评估：导航障碍课程、携带有效负载或在被撞击后保持前向运动。

表现最好的设计被选择、重组和变异，形成下一代——就像自然选择放大赋予生存优势的性状一样。在数千个模拟代的过程中，这个过程收敛到令人惊讶的设计，甚至对人类工程师来说：不对称身体计划、看起来浪费直到肢体被移除的冗余执行器安排，以及学会实时绕过失效组件路由电动命令的控制网络。

新研究的独特之处在于在进化过程中明确包含损伤情景。研究人员没有纯粹优化在无损伤条件下的性能，而是在模拟期间定期引入随机损伤事件——移除肢体、降级传感器、反向执行器——并评估机器人在正常和损伤状态下如何维持性能。这种双重优化压力产生了与仅性能进化不同的机器人等级。

物理机器人

最好的进化设计使用软机器人技术制造——柔性聚合物结构、形状记忆合金和气动腔室的组合，可以以刚性机器人无法做到的方式变形和恢复。当机器人身体的一部分被移除时，剩余结构以对刚性金属底盘来说不可能的方式在其剩余元素上重新分配机械负荷。运行在嵌入式处理器上的控制网络持续监测全身感知的力和位置，并调整电动命令以补偿任何剩余的结构。

在物理测试中，研究人员移除了机器人总身体质量的最多40%——切割肢体、移除驱动段、刺穿空气腔室——并观察到机器继续移动和导航。它的步态发生了根本改变，有时从行走模式转变为爬行或滚动运动，但它没有停止。这种行为不是脚本化的；它来自训练神经网络能够在新颖的身体配置上进行泛化。

在高风险环境中的应用

对现实世界部署的含义是重要的。在坍塌的建筑环境中运营的搜救机器人经常遭遇碎片撞击、锋利的边缘和机械应力，这些会损害传统平台。在战斗区部署的军事机器人面临更加极端的损伤情景。行星探索车辆必须在数月或数年内保持功能，而没有任何维护或修复的可能。

当前的机器人韧性方法通常涉及冗余的机械组件——增加重量、成本和复杂性——或模块化设计，可以在损伤后自重新配置，这需要复杂的对接机制并增加失效点。进化方法绕过这些权衡，通过将韧性融入基本设计而不是将其堆叠在顶部来进行。

走向形态智能

该研究还推进了机器人中称为形态计算的更广泛的哲学转变——这个想法是智能不仅仅是控制系统的性能，而是分布在机器人的物理形式上。自然重定向力、吸收冲击和在压力下维持结构完整性的身体形状正在进行计算工作，否则将不得不由大脑处理。进化的机器人不仅仅是被很好地控制的；它们是针对它们面临的问题的良好塑形。

未来的工作将专注于将进化方法扩展到更复杂的任务和更大的身体计划，以及调查机器人是否可以学会在部署期间损伤积累时实时适应——不仅仅存活进化期间预期的损伤，而且在飞行中发现新的补偿策略。结合越来越能够的车载AI，真正难以停止的机器人的前景代表了困难环境中自主机器的实际效用的有意义进步。

本文基于New Atlas的报道。阅读原始文章。