Lamarckian Inheritance Improves Robot Evolution in Dynamic Environments

这项研究探讨了拉马克式系统如何与进化机器人技术相结合，并将其与传统的达尔文式模型在不同环境中进行了比较。通过采用拉马克式原则，即机器人继承学习到的特征，以及没有遗传的达尔文式学习，我们研究了动态环境中的适应性。我们在六个不同的环境设置中进行的研究表明，拉马克式系统在适应性和效率方面优于达尔文式系统，特别是在具有挑战性的条件下。我们的分析凸显了控制器和形态进化以及环境适应之间相互作用的关键作用，父母与后代的相似性以及学习前后的新生儿和幸存者提供了有关特征遗传有效性的见解。我们的研究结果表明，拉马克式原则可以显著推进自主系统设计，强调了在复杂的实际应用中更具适应性和鲁棒性的机器人解决方案的潜力。这些理论见解得到了真实物理机器人的验证，弥合了模拟和实际应用之间的差距。

比较Lamarckian系统和传统达尔文模型在不同环境下的适应性和效率，探讨遗传学习的作用。

采用Lamarckian原则，将机器人的学习到的特征遗传给后代，与不遗传的达尔文学习相比，研究机器人在动态环境中的适应性。实验结果表明，Lamarckian系统在适应性和效率方面优于达尔文系统，尤其是在挑战性环境下。

实验在六个不同的环境设置中进行，通过控制器和形态的进化以及环境适应性之间的相互作用，分析了遗传特征的遗传和新生儿与幸存者之间的相似性。实验结果表明，Lamarckian原则可以显著推进自主系统设计，为复杂的实际应用提供更具适应性和鲁棒性的机器人解决方案。实验还使用了真实的物理机器人验证了理论结论。

最近的相关研究包括：Evolutionary Robotics, Lamarckian Evolution, Darwinian Evolution, Autonomous System Design等。