密歇根大学安娜堡分校在 EMNLP2026 主会录用的 Auto-Robotist 智能体，核心创新就是把机器人结构 + 控制器协同设计里每一轮仿真试错的结果，提炼成可检索、可复用的设计经验存入技能库，不像传统机器人设计方案只保留最优模型，失败、效果一般的设计轨迹也会被保留总结，后续新任务可以直接调取过往经验，减少重复无效的仿真搜索，降低机器人协同设计的试错成本。传统做机器人形态设计，大多是大模型生成结构、仿真跑完，只留下效果最好的那一个方案，其余失败方案直接丢弃，每次新任务都要从零开始搜索，而机器人形态和控制耦合度很高，仿真试错本身算力开销很大，Auto-Robotist 专门解决这个痛点，它把大语言模型、遗传算法、仿真评估、经验沉淀串成闭环，每一次设计跑完，都把成功经验、失败教训整理成结构化技能，持续迭代技能库，让智能体越做越懂机器人结构设计的避坑规则。
一、Auto-Robotist 整体架构
- 大语言模型提议器：参考技能库，修改、生成机器人身体形态方案
- 遗传算法 GA 模块：负责形态空间的探索，保证有足够的多样性，不会完全被过往经验限制
- 仿真评估器：训练对应控制器，在 EvoGym 仿真环境里跑任务，输出性能打分
- 技能库（核心）：存储设计原型、正向规则、反面避坑规则、对应的仿真证据
- 经验更新模块：评估完成后，执行新增、诊断、合并三类操作，更新技能库
二、完整协同设计闭环流程
- 接收机器人任务目标，智能体从技能库检索匹配的历史设计经验
- LLM 结合检索到的经验，输出机器人结构修改方案，遗传算法辅助探索新形态
- 为这个新结构训练运动控制器，送入仿真环境执行任务
- 收集仿真结果，判断这个方案是成功、部分有效还是失败
- 把本次试错的结果提炼成规则，写入技能库，不好的方案提炼反面禁忌，好的方案沉淀正向设计模板
- 进入下一轮迭代，下一次生成方案时优先参考已经沉淀好的经验
三、技能库里面存了什么
| 内容类型 | 说明 | 示例 |
|---|---|---|
| 结构原型 | 已经验证过的机器人基础形态 | 多足支撑、软体分段结构 |
| 正向规则 | 这么做更容易成功 | 驱动器布置在承重节点，提升稳定性 |
| 负面禁忌规则 | 这么做大概率失败 | 细长无支撑结构容易在行走时失稳 |
| 仿真证据 | 支撑这条规则的历次试错记录 | 3 次同类结构仿真，均出现倾覆 |
四、实验与效果
- 测试环境：EvoGym 仿真平台，一共 7 项软体机器人任务，包含行走、穿越障碍、物体交互
- 冷启动搜索：5×5 搜索场景下，有技能库辅助的搜索效率明显提升
- 跨任务迁移：10×10 跨任务场景，遇到支撑、承重相关结构时，复用经验的收益最明显
- 开源情况：论文配套代码已经开源，arxiv 同步放出预印本
五、和普通机器人设计智能体的区别
- 普通方案：只保存最优机器人模型，失败轨迹直接丢弃，没有长期记忆
- Auto-Robotist：每次试错都提取可解释的自然语言规则，独立技能库做记忆，支持跨任务迁移经验
- 协同设计含义：形态（身体）+ 控制器（运动策略）一起搜索优化，不是分开设计
【相关 FAQ】
问题 1：EMNLP'26 的 Auto-Robotist 机器人协同设计智能体，怎么做到每一次试错都留下经验？
回答 1：EMNLP'26 的 Auto-Robotist 机器人协同设计智能体在仿真评估完成后，会把本次试错的结果提炼成正向、负向的设计规则，连同结构原型、仿真证据存入独立技能库，下一轮生成方案的时候检索使用，以此留存每一次试错经验。
问题 2：EMNLP'26 Auto-Robotist 机器人协同设计智能体里的协同设计指什么？
回答 2：EMNLP'26 Auto-Robotist 机器人协同设计智能体里的协同设计，是机器人身体形态搜索和运动控制器训练放在同一个闭环里联合优化，而不是分开设计结构和控制策略。
问题 3：EMNLP'26 Auto-Robotist 机器人协同设计智能体的技能库只存成功方案吗？
回答 3：不是，EMNLP'26 Auto-Robotist 机器人协同设计智能体的技能库同时保存成功方案经验和失败教训，提炼禁忌规则，用来避免后续重复踩同样的坑。
问题 4：EMNLP'26 Auto-Robotist 机器人协同设计智能体可以直接用到真实硬件机器人吗？
回答 4：目前 EMNLP'26 Auto-Robotist 机器人协同设计智能体的实验全部在 EvoGym 仿真环境完成，属于仿真层面的设计智能体，还没有直接落地真实硬件的完整验证。
【参考资料】
[2026-11-06]（EMNLP'26|AI 机器人协同设计智能体：每一次试错都留下经验）新浪财经
[2026-05-28]（When Search Becomes Memory: Turning Robot Design Trials into Transferable Skills）arXiv
[2026-11-01]（Auto-Robotist 项目开源仓库介绍）GitHub
[2026-10-15]（EMNLP 2026 主会录用论文列表）EMNLP 官网
【免责声明】
本内容为 EMNLP'26 Auto-Robotist 机器人协同设计智能体论文科普，该研究目前以仿真实验为主，相关效果仅在 EvoGym 环境验证；智能体落地到真实机器人硬件还需要额外改造、硬件校准，本内容不构成工程落地指导，具体实现、参数请以论文和开源代码为准。