用AI的“親戚”——儲層計算解鎖軟體機器人控制

軟體機器人由柔性材料製成，能夠像肌肉一樣彎曲和伸展，其靈活性遠超傳統剛性機器人，使其在採摘成熟番茄或執行搜救任務時表現出色。然而，這種靈活性也帶來了控制難題。弗吉尼亞理工大學的研究人員正致力於解決這一問題，他們採用了一種受大腦神經元複雜結構啟發的新型計算方法——儲層計算。

該方法使機械工程系的一個團隊能夠建立出一個模擬的機械臂，可以彎曲、扭轉、扭曲和變形。研究表明，儲層計算不僅超越了傳統人工智慧（AI）和機器學習方法的極限，而且當將該方法部署在類似大腦脈衝的神經形態計算機晶片上時，能耗降低了多達75倍。這項研究發表在《美國國家科學院院刊》（PNAS）上，可能為開發更小、無繫留的機器人鋪平道路，這些機器人可應用於醫學、農業、打撈和基礎設施檢查等領域。

“我們不確定我們的方法是否最佳，但它是首個能夠控制這種非常靈活、快速移動的軟體手臂的方法，”機械工程助理教授、該研究的負責人諾埃爾·諾頓（Noel Naughton）說。

軟體機器人的構造方式與傳統的塊狀金屬機器人不同。它們由軟材料和新型控制器結合而成，具有更大的運動範圍、更流暢和更靈活的特性。它們可以變形和重塑，包裹物體而非夾緊，這使其在人類難以或無法觸及的危險區域中具有價值。

此前，諾頓利用虛擬工具和運動對映來設計新型機器人，並曾從章魚身上汲取靈感。這次，他的團隊使用3D虛擬工具構建了一個以蛇類動物解剖結構為模型的模擬手臂。該手臂採用一箇中央彈性核心，周圍有多對類似人體肱二頭肌和肱三頭肌的合成肌肉，這些肌肉重疊並協同工作以移動手臂。

團隊的目標是找到自動動態控制手臂的最佳方法：他們需要一種方法來收縮和放鬆核心周圍的模擬肌肉，使手臂能夠扭轉和彎曲。諾頓表示：“當我們提出這個想法時，我們意識到沒有已知的方法可以控制它。”

這促使諾頓採用了一種全新的控制方法：神經儲層。在神經儲層中，研究人員輸入虛擬軟機器人運動的資料，設定預期引數，進行虛擬試驗，然後分析結果。團隊知道彈性核心和合成肌肉的特性，以及這些材料對彎曲和扭轉的反應，但他們不知道肌肉對如何協同工作的動力學。

透過神經儲層，他們建立了不同運動變體的虛擬模型並測試了其行為。當將這些結果反饋回系統時，軟體機械臂行為的新模型開始浮現，同時產生了控制手臂最有效的方法。神經計算比構建大量的命令更快，也更節能。

目前，這個肌肉束模擬手臂仍是虛擬的，但諾頓團隊構建的資料最終將用於製造實體機器人。諾頓說：“現在我們有了這些新工具，下一步是構建物理原型，以在我們的軟體機械臂上測試儲層控制方法。希望這將縮小當前軟體機器人與我們看到的章魚等軟體生物驚人靈活性之間的差距。”