用AI的“亲戚”——储层计算解锁软体机器人控制

软体机器人由柔性材料制成，能够像肌肉一样弯曲和伸展，其灵活性远超传统刚性机器人，使其在采摘成熟番茄或执行搜救任务时表现出色。然而，这种灵活性也带来了控制难题。弗吉尼亚理工大学的研究人员正致力于解决这一问题，他们采用了一种受大脑神经元复杂结构启发的新型计算方法——储层计算。

该方法使机械工程系的一个团队能够创建出一个模拟的机械臂，可以弯曲、扭转、扭曲和变形。研究表明，储层计算不仅超越了传统人工智能（AI）和机器学习方法的极限，而且当将该方法部署在类似大脑脉冲的神经形态计算机芯片上时，能耗降低了多达75倍。这项研究发表在《美国国家科学院院刊》（PNAS）上，可能为开发更小、无系留的机器人铺平道路，这些机器人可应用于医学、农业、打捞和基础设施检查等领域。

“我们不确定我们的方法是否最佳，但它是首个能够控制这种非常灵活、快速移动的软体手臂的方法，”机械工程助理教授、该研究的负责人诺埃尔·诺顿（Noel Naughton）说。

软体机器人的构造方式与传统的块状金属机器人不同。它们由软材料和新型控制器结合而成，具有更大的运动范围、更流畅和更灵活的特性。它们可以变形和重塑，包裹物体而非夹紧，这使其在人类难以或无法触及的危险区域中具有价值。

此前，诺顿利用虚拟工具和运动映射来设计新型机器人，并曾从章鱼身上汲取灵感。这次，他的团队使用3D虚拟工具构建了一个以蛇类动物解剖结构为模型的模拟手臂。该手臂采用一个中央弹性核心，周围有多对类似人体肱二头肌和肱三头肌的合成肌肉，这些肌肉重叠并协同工作以移动手臂。

团队的目标是找到自动动态控制手臂的最佳方法：他们需要一种方法来收缩和放松核心周围的模拟肌肉，使手臂能够扭转和弯曲。诺顿表示：“当我们提出这个想法时，我们意识到没有已知的方法可以控制它。”

这促使诺顿采用了一种全新的控制方法：神经储层。在神经储层中，研究人员输入虚拟软机器人运动的数据，设定预期参数，进行虚拟试验，然后分析结果。团队知道弹性核心和合成肌肉的特性，以及这些材料对弯曲和扭转的反应，但他们不知道肌肉对如何协同工作的动力学。

通过神经储层，他们创建了不同运动变体的虚拟模型并测试了其行为。当将这些结果反馈回系统时，软体机械臂行为的新模型开始浮现，同时产生了控制手臂最有效的方法。神经计算比构建大量的命令更快，也更节能。

目前，这个肌肉束模拟手臂仍是虚拟的，但诺顿团队构建的数据最终将用于制造实体机器人。诺顿说：“现在我们有了这些新工具，下一步是构建物理原型，以在我们的软体机械臂上测试储层控制方法。希望这将缩小当前软体机器人与我们看到的章鱼等软体生物惊人灵活性之间的差距。”