De ontwikkeling van bio-geïnspireerde robots wordt beperkt door de uitdaging om complexe morfologieën met niet-lineaire, zachte actuatie aan te sturen. Huidige robots vertrouwen vaak op analytische dynamische modellen, terwijl leermethoden vaak domeinkennis vereisen, wat generalisatie beperkt. Dit project richt zich op een schaalbaar, algemeen toepasbaar raamwerk voor het ontwerpen en optimaliseren van gedistribueerde regelaars voor bio-geïnspireerde robots. We stellen een besturing voor op basis van graaf-gebaseerde neurale netwerken, waarbij rekenkracht wordt ingebed in graafknopen die automatisch de morfologie van de robot weerspiegelen. Deze modulaire aanpak maakt schaalbaarheid mogelijk en vermindert compatibiliteitsproblemen tussen besturing en morfologie. Ons systeem benut gedeelde policies om hergebruik van vaardigheden te verbeteren en specialisatie mogelijk te maken, aangedreven door geheugenmechanismen (gated recurrent units) of neuroplastische zelforganisatie. De gedistribueerde architectuur en plasticiteit verhogen ook de robuustheid en aanpassingsvermogen. We verwachten dat (1) gecentraliseerde intelligentie zal ontstaan via communicatie die knoopspecialisatie coördineert, en dat (2) Hebbiaans geïnspireerd lokaal leren de stabiliteits-plasticiteit kan optimaliseren, waardoor ervaring zorgt voor online aanpassing. Door modulariteit en plasticiteit te introduceren, kan dit onderzoek de ontwikkeling van adaptieve, autonome en veilige robotsystemen versnellen.