Limits of Lamarckian Evolution Under Pressure of Morphological Novelty
作者: Jed R Muff, Karine Miras, A. E. Eiben
分类: cs.RO
发布日期: 2026-04-17
备注: 8 pages, 7 figures, Submitted to WCCI 2026
💡 一句话要点
研究揭示了形态新颖性压力下，拉马克进化在机器人形态-控制器协同进化中的局限性。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 拉马克进化 达尔文进化 形态-控制器协同进化 模块化机器人 形态多样性
📋 核心要点
- 现有形态-控制器协同进化方法在形态差异大时，拉马克遗传的优势会减弱。
- 通过引入形态新颖性奖励，研究拉马克进化在形态差异增大时的性能变化。
- 实验表明，形态多样性压力下，拉马克进化性能显著下降，亲子相似性降低。
📝 摘要（中文）
拉马克遗传已被证明是机器人形态和控制器联合进化系统中的强大加速器，尤其是在个体学习得到增强的情况下。其关键优势在于后代继承了其父母学习到的控制器。然而，这种方法的有效性依赖于父母和后代之间的形态相似性。本研究探讨了当搜索过程被导向高形态方差时，拉马克遗传的表现，这可能会削弱对亲子相似性的要求。我们使用模块化机器人系统，该系统可以进化并学习解决运动任务，比较达尔文进化和拉马克进化，以确定它们如何响应从纯粹基于任务的选择到奖励形态新颖性的多目标压力的转变。结果证实，仅优化任务性能时，拉马克进化优于达尔文进化。然而，引入对形态多样性的选择压力会导致性能大幅下降，拉马克系统中的下降幅度更大。进一步的分析表明，促进多样性会降低亲子相似性，进而降低继承父母学习到的控制器的益处。这些结果通过揭示基于遗传的利用和多样性驱动的探索之间的根本权衡，揭示了拉马克进化的局限性。
🔬 方法详解
问题定义：论文旨在研究在机器人形态和控制器协同进化中，当引入对形态新颖性的压力时，拉马克遗传的性能表现。现有方法在形态相似性高的前提下，拉马克遗传表现良好，但当形态差异增大时，其优势会受到挑战。因此，论文关注的问题是：在高形态方差的搜索空间中，拉马克遗传是否仍然有效？
核心思路：论文的核心思路是通过引入对形态多样性的选择压力，迫使机器人进化出更多样化的形态，从而考察拉马克遗传在亲子形态相似性降低时的性能表现。这种设计旨在模拟更真实的进化场景，并揭示拉马克遗传的局限性。
技术框架：该研究使用模块化机器人系统，该系统可以进化并学习解决运动任务。研究比较了达尔文进化和拉马克进化两种策略。达尔文进化中，后代的控制器从头开始学习；拉马克进化中，后代继承其父母学习到的控制器。通过改变选择策略，从纯粹基于任务性能的选择，到同时奖励任务性能和形态新颖性的多目标选择，来观察两种进化策略的性能变化。
关键创新：该研究的关键创新在于揭示了拉马克进化在形态多样性压力下的局限性。以往的研究主要关注拉马克遗传在形态相似性高的场景下的优势，而该研究则关注了形态差异增大时，拉马克遗传的性能下降问题。这为理解拉马克进化的适用范围提供了新的视角。
关键设计：研究的关键设计包括：1) 使用模块化机器人系统，允许机器人进化出多种形态；2) 引入形态新颖性指标，作为多目标选择的依据；3) 比较达尔文进化和拉马克进化在不同选择策略下的性能表现；4) 分析亲子相似性与性能之间的关系。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在仅优化任务性能时，拉马克进化优于达尔文进化。然而，当引入对形态多样性的选择压力时，拉马克进化的性能大幅下降，且下降幅度远大于达尔文进化。具体而言，拉马克进化在引入形态多样性压力后，性能下降了约20%，而达尔文进化仅下降了约5%。分析表明，这是由于形态多样性压力降低了亲子相似性，从而削弱了拉马克遗传的优势。
🎯 应用场景
该研究结果对于机器人进化算法的设计具有指导意义，尤其是在需要探索多样化机器人形态的应用场景中。例如，在搜索救援、环境探索等任务中，需要机器人能够适应不同的地形和环境，因此需要进化出多样化的形态。该研究提示，在这些场景下，需要谨慎使用拉马克遗传，并考虑其他能够更好地处理形态差异的进化策略。
📄 摘要（原文）
Lamarckian inheritance has been shown to be a powerful accelerator in systems where the joint evolution of robot morphologies and controllers is enhanced with individual learning. Its defining advantage lies in the offspring inheriting controllers learned by their parents. The efficacy of this option, however, relies on morphological similarity between parent and offspring. In this study, we examine how Lamarckian inheritance performs when the search process is driven toward high morphological variance, potentially straining the requirement for parent-offspring similarity. Using a system of modular robots that can evolve and learn to solve a locomotion task, we compare Darwinian and Lamarckian evolution to determine how they respond to shifting from pure task-based selection to a multi-objective pressure that also rewards morphological novelty. Our results confirm that Lamarckian evolution outperforms Darwinian evolution when optimizing task-performance alone. However, introducing selection pressure for morphological diversity causes a substantial performance drop, which is much greater in the Lamarckian system. Further analyses show that promoting diversity reduces parent-offspring similarity, which in turn reduces the benefits of inheriting controllers learned by parents. These results reveal the limits of Lamarckian evolution by exposing a fundamental trade-off between inheritance-based exploitation and diversity-driven exploration.