ECo-MoE 論文は、ロボットの進化と学習を扱う新しいモデルを提案している。設計ベクトル（遺伝子型）の分布と、複数の制御エキスパート（ニューラルモジュール）の混合を同時に最適化する枠組みであり、デコードされた各設計（表現型）の潜在座標がエキスパートのゲートとして機能する。著者は Yibin Wang ら4名で、2026年5月22日に arXiv へ投稿された。論文番号は arXiv:2605.24225、分類はロボティクス（cs.RO）、DOI は 10.48550/arXiv.2605.24225 で、投稿者は Sam Kriegman である。
本研究は、ロボットの共同設計における2つの極端な手法に対する代替案を提示する。第一の手法はロボットごとに個別のポリシーを訓練するもので、効率が悪い。第二の手法は全ロボットに単一の汎用コントローラを用いるもので、構造と行動が過度に保守的になり、形態の多様性を活かせない。ECo-MoE はこの中間に位置し、統一されつつモジュール化された枠組みの中で祖先の知識を保持する。異なる身体計画は、学習済みの感覚運動回路の異なる組み合わせを有効化・無効化し、目標指向の行動を実現する。
各設計の潜在座標がゲート信号となり、混合エキスパートのどの神経モジュールが制御に参加するかを決定する。そのため、新しい設計種が出現した際にはコントローラの一部だけを更新して適応でき、他のエキスパートモジュールに蓄積された知識を損なわない。また、事前学習済みのエキスパートポリシーを混合に直接組み込むことができ、望ましい形態的特徴を含む未探索の潜在空間領域へ進化を誘導できる。
著者らはこの過程を「evo by demo（デモによる進化）」と呼び、事前学習モデルが定義する標準的な構造へ自由形態の進化を導く方法を検討している。本研究は、単一ポリシー訓練の非効率性と汎用コントローラの保守性を回避しつつ、進化の拡張性を維持できる点を強調する。動画とコードはプロジェクトページ https://eco-moe.github.io で公開されており、論文本文は arXiv から PDF、実験的 HTML、TeX ソースとして閲覧可能である。
研究上の意義として、ECo-MoE は混合エキスパートの考え方をロボットの形態と制御の共進化に導入し、モジュールの再利用と形態の多様性を両立させる進化可能なロボットシステムへの道筋を示す。進化と学習を同一枠組みで協調最適化し、祖先の知識を保ちながらコントローラの局所的な更新を可能にすることで、ロボットシステムの進化可能性を高める点に核心がある。