TacEvo：通过 LLM 驱动的质量多样性搜索实现机器人触觉感知的自我进化架构发现

基于视觉的触觉传感将接触引起的表面变形转化为图像，使机器人能够推断仅通过传统视觉无法获得的接触力和精细表面纹理。然而，触觉图像是特定于传感器和物理的，因此有效的架构通常需要专家的直觉和大量的手动迭代。现有的神经架构搜索（NAS）管道可以减轻这种负担，但它们通常计算成本高昂，并且仅限于手工设计的搜索空间，这限制了架构的新颖性和多样性。我们引入了 TacEvo，这是一种自我进化的架构发现框架，可以根据下游反馈改进网络设计。 TacEvo 使用 LLM 生成代码级突变和交叉，以及 MAP-精英质量多样性循环，保留多样化的精英架构，同时优先重用持续产生改进的提示。探索以两个行为描述符（架构多样性和效率比）为指导，鼓励覆盖结构变化和计算规模权衡。在 ViTacTip 力回归和光栅分类上，TacEvo 实现了较高的自主生成可靠性（96.0%/94.5% 可训练），并将 20 代的最佳验证适应性提高了 56.1%/96.1%。在 20 种子搜索后高保真度评估中，TacEvo 在力预测方面与专家基线相匹配，并在细粒度光栅分类方面优于专家基线。这些结果表明，LLM 驱动的自我进化搜索构成了专业机器人传感领域人工智能辅助科学发现的实用范例。