RecherchearXiv cs.RO 20 avril 2026

Les limites de l'évolution lamarckienne face à la pression de nouveauté morphologique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une étude publiée sur arXiv (arXiv:2604.15854) en avril 2026 examine les limites de l'héritage lamarckien dans les systèmes de robots modulaires évolutifs. Le cadre expérimental repose sur une population de robots capables de co-évoluer leur morphologie et leurs contrôleurs, puis d'apprendre individuellement une tâche de locomotion. Dans un système lamarckien, les contrôleurs appris par les parents sont transmis directement aux descendants, contrairement à l'approche darwinienne classique où seule l'information génétique est héritée. Les chercheurs ont comparé les deux paradigmes en faisant varier la pression de sélection : d'une optimisation pure sur la performance de locomotion à une optimisation multi-objectif intégrant également une récompense pour la nouveauté morphologique. Résultat : l'héritage lamarckien surpasse le darwinisme en optimisation de tâche seule, mais accuse une chute de performance significativement plus importante dès que la diversité morphologique est encouragée.

Ce résultat met en évidence un arbitrage fondamental dans la conception des systèmes d'évolution robotique : l'exploitation par héritage et l'exploration par diversité sont partiellement incompatibles. L'efficacité de l'héritage lamarckien repose sur une hypothèse implicite de continuité morphologique entre parent et descendant. Or, maximiser la diversité des formes casse précisément cette continuité, rendant les contrôleurs hérités peu ou pas transférables. Pour les chercheurs en robotique évolutive et les équipes travaillant sur la synthèse automatique de robots (notamment pour des applications d'adaptation en environnements non structurés), cela signifie que le choix du mécanisme d'héritage doit être conditionné au régime d'exploration morphologique visé.

Ces travaux s'inscrivent dans un débat actif en robotique évolutive sur le sim-to-real gap et la capacité des algorithmes évolutifs à produire des morphologies réellement variées et fonctionnelles. Plusieurs équipes européennes, dont des laboratoires français travaillant sur la robotique adaptative, explorent des compromis similaires entre plasticité morphologique et transfert de politiques de contrôle. La piste ouverte par cette étude pointe vers des mécanismes d'héritage sélectif ou conditionnel, activés uniquement lorsque la similarité parent-descendant dépasse un seuil donné, une direction que les auteurs identifient comme prolongement naturel de ces résultats.

Impact France/UE

Les équipes européennes et françaises travaillant sur la robotique évolutive et adaptative peuvent ajuster leur choix de mécanisme d'héritage selon le régime d'exploration morphologique visé, à la lumière de ces résultats expérimentaux.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

L'optimisation évolutive cerveau-corps échoue systématiquement à sélectionner le potentiel morphologique

Une équipe de recherche publie sur arXiv, sous la référence 2508.17464 (version 2, qui remplace une préprint antérieure), une étude qui cartographie de façon exhaustive un espace de conception de robots mous à base de voxels. Les chercheurs ont entraîné un contrôleur pour chacune des 1 305 840 morphologies possibles de cet espace, obtenant ainsi une carte quasi complète du paysage reliant forme du robot et performance. Cette connaissance exhaustive du paysage leur permet d'observer en détail comment se comportent réellement les algorithmes évolutionnaires chargés de faire évoluer conjointement le corps et le contrôleur d'un robot, plutôt que de déduire leur fonctionnement à partir de résultats finaux agrégés sur un échantillon partiel. Le constat central est que les algorithmes de co-optimisation cerveau-corps testés ne parviennent pas, de manière fiable, à converger vers des solutions proches de l'optimum. La recherche reste parfois bloquée sur des morphologies situées à une seule mutation d'une solution meilleure : l'algorithme sous-évalue systématiquement les individus dont le corps vient d'être muté et élimine ainsi, prématurément, des morphologies prometteuses avant qu'elles aient pu exprimer leur potentiel via un contrôleur suffisamment entraîné. À l'inverse, l'étude montre que co-optimiser corps et contrôleur produit des couples morphologie-contrôleur capables d'atteindre des performances hors de portée d'une simple optimisation du contrôleur sur une morphologie fixe. Pour les équipes de recherche en robotique évolutionniste et en conception générative de robots, ce résultat nuance l'idée reçue selon laquelle des algorithmes évolutionnaires standards suffisent à explorer efficacement un espace de conception dès lors que le co-design est activé : le problème ne vient pas du principe du co-design lui-même, mais d'un biais de sélection précis qui pénalise les mutations morphologiques récentes. Ce travail s'inscrit dans un champ ancien de la robotique évolutionniste, où la difficulté à faire évoluer simultanément forme et comportement est documentée depuis les premières créatures virtuelles évolutives des années 1990, et plus récemment via les plateformes de robots mous à base de voxels utilisées comme bancs d'essai standardisés pour ce type d'expérience à grande échelle. En cartographiant intégralement un espace de plus d'un million de morphologies plutôt qu'un échantillon, les auteurs fournissent une base empirique rare pour trancher des débats jusque-là fondés sur des observations partielles, et ouvrent la voie à des algorithmes de sélection corrigés pour tenir compte du biais identifié contre les corps récemment mutés.

RecherchePaper

1 source

2arXiv cs.RO

Façonner la dynamique évolutive de la morphologie des robots via l'apprentissage adaptatif du contrôle

Une équipe de recherche publie sur arXiv (arXiv:2608.23100v1, août 2026) une étude sur la co-conception de robots par optimisation bi-niveau, testée sur des robots souples à base de voxels simulés (VSR). Le travail isole deux dimensions distinctes dans la contribution de la morphologie à l'apprentissage du contrôle : la vitesse de convergence, dite intelligence morphologique, et le plafond de performance atteignable, nommé potentiel véritable. Les auteurs montrent qu'une évaluation prématurée de la fitness sous-estime ce potentiel véritable et favorise systématiquement les designs qui apprennent vite, ce qui réduit la diversité morphologique explorée pendant l'évolution. Ils proposent AdaControl, un mécanisme qui détecte ce biais de sélection en cours d'évolution et n'alloue que le temps d'apprentissage minimal nécessaire à une évaluation non biaisée. Associé à un simple algorithme génétique, AdaControl égale des méthodes de co-design basées sur des modèles génératifs réputées à la pointe, tout en réduisant le calcul nécessaire jusqu'à 80 % par rapport à un apprentissage exhaustif du contrôleur. Cette découverte touche un point sensible de la robotique évolutive : le coût de calcul de l'évaluation de fitness, où chaque design candidat nécessite un entraînement de contrôleur complet, reste le principal frein à l'exploration à grande échelle de l'espace des morphologies possibles. En attribuant l'effet Baldwin morphologique, largement cité dans la littérature en co-design corps-cerveau, à un artefact méthodologique plutôt qu'à une propriété fondamentale de l'évolution, l'étude invite les laboratoires à réexaminer des résultats antérieurs bâtis sur des protocoles d'évaluation prématurée. Pour les équipes qui travaillent sur la conception automatisée de robots physiques, bras, quadrupèdes ou plateformes souples, une réduction de calcul de cet ordre rend accessible l'exploration d'espaces de design plus larges sans sacrifier la diversité des morphologies retenues. Le concept d'intelligence morphologique, selon lequel une morphologie bien adaptée accélère l'apprentissage du contrôle, avait déjà été établi par des travaux antérieurs en co-design bi-niveau ; cette étude se présente comme la première à examiner la direction réciproque, à savoir comment l'apprentissage du contrôle influence en retour la sélection morphologique au fil des générations. Les expériences restent cantonnées à la simulation de robots souples voxélisés, plateforme standard du domaine, et la comparaison porte explicitement sur des méthodes de co-design génératives récentes, sans acteur industriel ni déploiement physique mentionné. L'abstract ne fixe aucun calendrier de suite, mais ouvre la voie à une révision des protocoles d'évaluation de fitness dans d'autres pipelines évolutifs, en robotique molle comme rigide.

RecherchePaper

1 source

3arXiv cs.RO

Héritage lamarckien en environnements dynamiques : comment les variables clés influencent la dynamique évolutive

Une équipe de chercheurs en robotique évolutionnaire a publié en mai 2025 sur arXiv (2605.15769) une étude clarifiant les conditions dans lesquelles l'héritage lamarckien améliore ou dégrade les performances d'un système de co-optimisation corps-cerveau. L'expérience repose sur des robots mous virtuels dont la morphologie évolue par algorithme évolutionnaire, tandis que le contrôleur est optimisé en cours de vie par apprentissage, soit par optimisation bayésienne, soit par apprentissage par renforcement. L'héritage lamarckien consiste ici à transférer directement les paramètres de contrôle appris par un parent à sa descendance, à la différence de l'héritage darwinien classique qui ne transmet que le génome structurel. Les auteurs font varier deux dimensions de l'environnement dynamique : le niveau de conflit entre les changements environnementaux et le comportement optimal du robot, et la prévisibilité de ces changements pour l'agent. Résultat : l'héritage lamarckien n'est inférieur à l'approche darwinienne que dans le seul cas où les changements sont à la fois conflictuels et imprévisibles. L'ajout d'un capteur permettant de détecter les transitions environnementales restaure les bénéfices lamarckiens même dans les environnements conflictuels, en donnant à l'agent les moyens d'anticiper un changement de comportement nécessaire. Ce résultat réconcilie une littérature jusque-là contradictoire. La théorie évolutionnaire classique considère l'héritage lamarckien comme neutre ou négatif à long terme, tandis que plusieurs travaux récents en robotique évolutionnaire rapportaient des gains de performance. Cette étude suggère que les comparaisons précédentes omettaient de contrôler conjointement la conflictualité et la prévisibilité des perturbations, deux variables qui interagissent de façon non-linéaire. Pour les praticiens du morpho-evolution, domaine qui cherche à co-optimiser forme et contrôle pour des robots adaptatifs industriels ou de terrain, cela pose un cadre d'analyse actionnable : le bon mécanisme d'héritage dépend du profil statistique de l'environnement opérationnel, pas d'un choix dogmatique. La co-optimisation morphologie-contrôleur est un problème ouvert depuis les travaux fondateurs de Karl Sims dans les années 1990, et reste un défi majeur en conception de robots autonomes. La robotique douce (soft robotics) sert ici de banc d'essai car ses espaces morphologiques continus amplifient la sensibilité aux stratégies d'héritage. Ce preprint n'est pas encore évalué par les pairs et les résultats reposent exclusivement sur simulation, le transfert sim-to-real reste à démontrer. Parmi les acteurs qui travaillent sur des approches similaires figurent des laboratoires comme le Vermont Complex Systems Center ou le groupe Kriegman, ainsi que des initiatives industrielles en conception générative de robots. La prochaine étape naturelle est une validation sur morphologies physiques dans des environnements dont les statistiques sont connues et contrôlées.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage par transfert efficace des modèles dynamiques de robots grâce à la similarité morphologique

Une équipe de recherche présente une méthode de transfert d'apprentissage pour modéliser la dynamique de robots sous-marins souples à propulsion par nageoires, selon un article publié sur arXiv le 5 juillet 2026 (arXiv:2607.05665v1). Le problème visé : un modèle de dynamique entraîné sur un robot de grande taille (domaine source) doit être adapté à un robot plus petit (domaine cible) partageant la même morphologie mais des propriétés hydrodynamiques différentes, avec très peu de données labellisées disponibles sur ce second robot. Les chercheurs développent pour cela une approche d'adaptation de domaine fondée sur un autoencodeur, qui apprend une représentation latente partagée alignant les dynamiques des deux plateformes. Testée sur deux robots sous-marins réels, la méthode permet d'estimer avec précision les vitesses dans le référentiel du corps sur la plateforme cible, sans qu'aucune donnée labellisée ne soit nécessaire pour celle-ci. L'enjeu pratique dépasse le cas d'école : collecter des données de vérité terrain sous l'eau (via systèmes de capture de mouvement, capteurs externes) est coûteux, lent et souvent impraticable en conditions réelles de déploiement. Pouvoir réutiliser un modèle de dynamique d'un robot vers un autre, dès lors qu'ils partagent une morphologie proche, réduit drastiquement le besoin de re-calibration à chaque nouvelle plateforme ou variante d'échelle. Pour les opérateurs de flottes de robots sous-marins souples (inspection, surveillance environnementale, biomimétisme), cela ouvre la voie à un déploiement plus rapide de nouveaux engins sans campagne de collecte de données dédiée, et valide l'idée que des architectures de type autoencodeur peuvent capter des invariants dynamiques transférables entre robots morphologiquement similaires. Ce travail s'inscrit dans la lignée des recherches sur l'apprentissage par transfert et l'adaptation de domaine, déjà explorées pour le sim-to-real en robotique terrestre et aérienne, mais encore peu appliquées à la robotique sous-marine souple, un domaine où la modélisation hydrodynamique reste particulièrement complexe. Les robots à nageoires bio-inspirés font l'objet d'un intérêt croissant en laboratoire pour leur efficacité énergétique et leur discrétion comparés aux propulseurs classiques à hélice. Les auteurs ne précisent pas de calendrier de validation en conditions opérationnelles, l'étude relevant pour l'instant de la preuve de concept en environnement contrôlé.

RecherchePaper

1 source