强化学习
突破级
暂无讲解视频
收录解读
软体机器人一直受限于控制器难以跨任务、跨构型和跨扰动泛化。相比固定刚体系统，软体形态带来的高维耦合、负载变化和执行器故障让控制器往往只能围绕单一平台精调。
这篇论文提出一种受神经 structural/plastic synapse 启发的控制框架，把 task-agnostic 的离线结构与在线误差驱动更新拆开，并引入 learned contraction metric 提供稳定性约束。结果是同一个控制框架能在不同软臂、不同任务和不同扰动下继续适配，而不是每换平台就重做控制器。
它对仓库有价值，因为这已经接近“机器人自我增强”方向：系统虽然还没有主动重设计形态，但控制层已经形成可迁移、可在线更新、可跨形态工作的自适应闭环。
没有升到更高一级，是因为这里的自举仍主要发生在控制参数层，还没有进入 morphology redesign、硬件重配置或更强的 autonomous self-improvement pipeline。