软体机器人由柔性、类肌肉材料制成，能够以流畅自然的方式弯曲和伸展，远超过去科幻电影中那些僵硬机器人的表现。
然而，正是这种让机器人得以采摘成熟番茄或穿越搜救现场的灵活性，也带来了一个棘手的问题：软体机器人的控制难度极高，一直是业界公认的技术挑战。
弗吉尼亚理工大学的研究人员正借助一种受大脑神经元复杂架构启发的全新计算方式来解决这一难题。
这种方法被称为"储层计算"，由机械工程系的研究团队采用，成功构建出一款可弯曲、扭转、变形的模拟机械臂。
储层计算不仅超越了传统人工智能与机器学习方法的局限，当团队将储层部署到类似大脑脉冲机制的神经形态计算芯片上时，功耗最高降低了75倍。
这项研究发表于《美国国家科学院院刊》，有望推动更小型、无线缆机器人的研发，在医疗、农业、救援打捞以及基础设施检测等领域展现广泛应用前景。
"我们并不敢说自己的方案是最优的，但它确实是首个能够控制这类高度柔性、快速运动软体臂的方法。"领导这项研究的机械工程助理教授诺埃尔·诺顿如是说。
软体机器人的构造方式与人们印象中那种块状金属机器人截然不同。软体机器人结合了柔性材料与新型控制系统，具备比传统刚性机器人更大的运动范围，以及更强的流动性与灵活性。
它们可以变形和重塑，能够包裹住物体而非强行夹紧，这使其在人类难以进入或存在危险的环境中具有独特优势。
软体机器人面临的核心问题在于控制。传统机器人的运动依赖指令驱动，例如抬起手臂可能对应一条或一系列指令。而软体机器人的高度灵活性要求控制系统具备更强的复杂性。
此前，诺顿曾通过虚拟工具和动作映射技术研究新型机器人，并曾以章鱼为仿生原型设计具有类似运动方式的机器人。
这一次，诺顿团队利用三维虚拟工具，以蛇等动物的解剖结构为参考，构建出一款模拟机械臂。
该机械臂以一根弹性中轴为核心，外围配备多对类似人体肱二头肌和肱三头肌的合成肌肉，相互交叠、协同配合，共同驱动机械臂运动。
团队的目标是找到自动化动态控制机械臂的最优方案，即通过控制合成肌肉围绕中轴的收缩与舒张，实现机械臂的扭转和弯曲。
"当我们把这个想法整合在一起时，才意识到根本没有现成的控制方法可以借鉴。"诺顿说道。
这促使诺顿团队转向一种全新的控制思路：神经储层。
在神经储层方法中，研究人员将虚拟软体机器人的运动数据输入系统，设定预期结果的参数，运行虚拟实验，再对结果进行分析。
团队成员了解弹性中轴和合成肌肉的材料特性，以及这些材料在弯曲和扭转时的响应规律，但对多对肌肉如何协同运作的动态机制尚不清楚。
借助神经储层，他们构建了多种运动变体的虚拟模型，并测试其行为表现。
将这些结果反馈回系统后，软体机械臂的行为模型逐渐浮现，同时也催生出一套更为有效的控制策略。
与逐条构建指令集相比，神经计算速度更快，能耗也更低，所需电力远少于传统计算机。
目前，这款多肌肉机械臂仍停留在虚拟阶段，但诺顿团队积累的数据将最终用于驱动实体机器人的运动。
"现在我们已经拥有了这些新工具，下一步就是建造实体原型，在真实软体机械臂上验证储层控制方案。"诺顿表示，"希望这项研究能帮助我们缩小当前软体机器人与章鱼等软体生物令人惊叹的灵巧性之间的差距。"
Q&A
Q1：储层计算是什么？和传统AI有什么区别？
A：储层计算是一种受大脑神经元架构启发的计算方法。与传统AI和机器学习方法相比，储层计算无需逐条构建动作指令，而是通过输入运动数据、设定参数、运行虚拟实验并分析结果，让系统自主涌现出控制模型。在控制高度柔性、快速运动的软体机械臂方面，储层计算突破了传统AI方法的局限，且部署在神经形态芯片上后，功耗最高可降低75倍。
Q2：弗吉尼亚理工大学研发的软体机械臂是如何运动的？
A：该机械臂以弹性中轴为核心，外围配备多对合成肌肉，结构类似人体的肱二头肌和肱三头肌。这些肌肉相互交叠、协同工作，通过围绕中轴的收缩与舒张实现机械臂的弯曲、扭转和变形。研究团队以蛇等动物的解剖结构为参考原型，并借助神经储层计算方法为其开发了动态自动控制方案。
Q3：储层计算软体机器人未来有哪些应用场景？
A：根据研究内容，储层计算驱动的软体机器人在多个领域具有广泛应用潜力，包括医疗（在人体内部或狭窄空间中操作）、农业（如采摘易损果实）、救援打捞（在危险或人类难以到达的环境中执行任务）以及基础设施检测等。目前机械臂仍为虚拟模型，研究团队计划下一步构建实体原型进行验证。
