LACE-CRAFT：结合策略继承与多角色协作的机器人协同设计

机器人协同设计将形态搜索与策略学习结合起来，但从头开始训练每一个新设计都会放弃所获得的控制经验。我们提出了 LACE-CRAFT，它将当前机器人的持续学习与对新形态奖励对的策略适应进行了比较。 LACE 恢复现任者的完整学习状态，并使用其参与者参数和观察统计数据初始化兼容的挑战者。固定任务指标在两个分支和冻结的现任之间进行选择。 CRAFT 通过共享实验记录和行为回放来协调反馈、形态、奖励和整合角色，以生成和交叉审查配对提案。生成扩展将生成的网格转换为可编辑的铰接模型，其中包含配置的关节、执行器接口和持续更新的模拟资产。在五个运动基准中，三个评估种子的平均得分比 D2C 高 6.4-91.9%。两种方法都在五轮中训练 30 个新的形态奖励对； LACE 还使用四个继续训练单元。五任务消融检查 策略继承和重播衍生的反馈。制作的原型演示了室内行走并说明了几何到硬件的工作流程。