인간형 로봇은 인간의 작업 공간에서 자연스러운 배치를 가능하게 하여 구체화된 지능의 핵심적인 영역을 나타냅니다. 인간형 로봇의 뇌-신체 공동 설계는 제어 정책과 물리적 형태를 공동으로 최적화하여 이러한 잠재력을 실현하는 유망한 접근 방식을 제시합니다. 본 논문에서는 넘어짐 복구를 중요한 능력으로 보고, RoboCraft라는, 제어 정책과 형태를 반복적으로 개선하는 넘어짐 복구를 위한 확장 가능한 인간형 로봇 공동 설계 프레임워크를 제안합니다. 여러 설계에서 사전 훈련된 공유 정책은 고성능 형태에 대해 점진적으로 미세 조정되어 처음부터 다시 훈련하지 않고 효율적인 적응을 가능하게 합니다. 동시에, 형태 탐색은 인간에서 영감을 받은 사전 정보와 최적화 알고리즘에 의해 유도되며, 유망한 후보의 재평가와 새로운 설계 탐색의 균형을 맞추는 우선 순위 버퍼를 지원합니다. 실험 결과, RoboCraft는 7개의 공개된 인간형 로봇에서 평균 44.55%의 성능 향상을 달성했으며, 형태 최적화는 4개의 인간형 로봇 공동 설계에서 최소 40%의 개선을 이끌어 인간형 로봇 공동 설계의 중요한 역할을 강조합니다.
