用遗传算法带不动 3D 机械臂，最后居然靠改输入优化解决了

折腾遗传算法（Genetic Algorithm）这种东西真的会让人怀疑人生，尤其是当你试图让一个 3D 机械臂去抓取目标点的时候。我前阵子就在复现类似的逻辑，结果就是看着那条机械臂在空间里瞎甩，除了像在跳大神，完全没有要往目标点靠近的意思，收敛速度慢得让人想砸键盘。

本来以为是 MLP（多层感知机）神经网络的层数或者权重初始化出了问题，结果折腾了大半天发现，问题出在输入层的特征工程上。

我最初的逻辑是把目标坐标直接丢进去，结果模型根本学不会这种空间映射关系。后来我尝试把输入维度做了个优化，把相对距离和角度差作为输入特征，效果瞬间就出来了。这种“Vibecoding”的感觉真的很奇妙，虽然我主要是靠 ChatGPT 和 Codex 在辅助写代码，但如果没有那个关键的输入优化步骤，这套演化过程可能要跑几万代才能看到一点苗头。

现在的实操思路大概是这样的：

• 核心架构： 使用 MLP 作为机器人的“大脑”，通过遗传算法对神经网络的权重进行进化。
• 进化目标： 机械臂末端执行器与目标点的欧式距离最小化。
• 踩坑点： 不要直接喂原始坐标，一定要做特征归一化或者转换成相对坐标。

# 伪代码逻辑参考：优化后的输入特征
def get_input_features(arm_end_effector, target_pos):
    # 不要直接传 [x, y, z]
    # 尝试传入相对偏移量
    relative_pos = target_pos - arm_end_effector
    # 加上当前的关节角度，让模型知道自己现在的姿态
    return np.concatenate([relative_pos, current_joint_angles])

目前机械臂这块已经跑通了，下一步打算挑战 3D Walker（三维行走机器人），但目前试了几次都没成功，感觉行走逻辑里的重心平衡和步态协调比机械臂抓取要复杂一个量级。如果大家有做过类似的进化计算或者强化学习控制步态的经验，求指条明路。