軟體機器人由柔性、類肌肉材料製成，能夠以流暢自然的方式彎曲和伸展，遠超過去科幻電影中那些僵硬機器人的表現。
然而，正是這種讓機器人得以採摘成熟番茄或穿越搜救現場的靈活性，也帶來了一個棘手的問題：軟體機器人的控制難度極高，一直是業界公認的技術挑戰。
弗吉尼亞理工大學的研究人員正藉助一種受大腦神經元複雜架構啟發的全新計算方式來解決這一難題。
這種方法被稱為"儲層計算"，由機械工程系的研究團隊採用，成功構建出一款可彎曲、扭轉、變形的模擬機械臂。
儲層計算不僅超越了傳統人工智慧與機器學習方法的局限，當團隊將儲層部署到類似大腦脈衝機制的神經形態計算晶片上時，功耗最高降低了75倍。
這項研究發表於《美國國家科學院院刊》，有望推動更小型、無線纜機器人的研發，在醫療、農業、救援打撈以及基礎設施檢測等領域展現廣泛應用前景。
"我們並不敢說自己的方案是最優的，但它確實是首個能夠控制這類高度柔性、快速運動軟體臂的方法。"領導這項研究的機械工程助理教授諾埃爾·諾頓如是說。
軟體機器人的構造方式與人們印象中那種塊狀金屬機器人截然不同。軟體機器人結合了柔性材料與新型控制系統，具備比傳統剛性機器人更大的運動範圍，以及更強的流動性與靈活性。
它們可以變形和重塑，能夠包裹住物體而非強行夾緊，這使其在人類難以進入或存在危險的環境中具有獨特優勢。
軟體機器人面臨的核心問題在於控制。傳統機器人的運動依賴指令驅動，例如抬起手臂可能對應一條或一系列指令。而軟體機器人的高度靈活性要求控制系統具備更強的複雜性。
此前，諾頓曾通過虛擬工具和動作映射技術研究新型機器人，並曾以章魚為仿生原型設計具有類似運動方式的機器人。
這一次，諾頓團隊利用三維虛擬工具，以蛇等動物的解剖結構為參考，構建出一款模擬機械臂。
該機械臂以一根彈性中軸為核心，外圍配備多對類似人體肱二頭肌和肱三頭肌的合成肌肉，相互交疊、協同配合，共同驅動機械臂運動。
團隊的目標是找到自動化動態控制機械臂的最優方案，即通過控制合成肌肉圍繞中軸的收縮與舒張，實現機械臂的扭轉和彎曲。
"當我們把這個想法整合在一起時，才意識到根本沒有現成的控制方法可以借鑑。"諾頓說道。
這促使諾頓團隊轉向一種全新的控制思路：神經儲層。
在神經儲層方法中，研究人員將虛擬軟體機器人的運動數據輸入系統，設定預期結果的參數，運行虛擬實驗，再對結果進行分析。
團隊成員了解彈性中軸和合成肌肉的材料特性，以及這些材料在彎曲和扭轉時的響應規律，但對多對肌肉如何協同運作的動態機制尚不清楚。
藉助神經儲層，他們構建了多種運動變體的虛擬模型，並測試其行為表現。
將這些結果反饋回系統後，軟體機械臂的行為模型逐漸浮現，同時也催生出一套更為有效的控制策略。
與逐條構建指令集相比，神經計算速度更快，能耗也更低，所需電力遠少於傳統電腦。
目前，這款多肌肉機械臂仍停留在虛擬階段，但諾頓團隊積累的數據將最終用於驅動實體機器人的運動。
"現在我們已經擁有了這些新工具，下一步就是建造實體原型，在真實軟體機械臂上驗證儲層控制方案。"諾頓表示，"希望這項研究能幫助我們縮小當前軟體機器人與章魚等軟體生物令人驚嘆的靈巧性之間的差距。"
Q&A
Q1：儲層計算是什麼？和傳統AI有什麼區別？
A：儲層計算是一種受大腦神經元架構啟發的計算方法。與傳統AI和機器學習方法相比，儲層計算無需逐條構建動作指令，而是通過輸入運動數據、設定參數、運行虛擬實驗並分析結果，讓系統自主湧現出控制模型。在控制高度柔性、快速運動的軟體機械臂方面，儲層計算突破了傳統AI方法的局限，且部署在神經形態晶片上後，功耗最高可降低75倍。
Q2：弗吉尼亞理工大學研發的軟體機械臂是如何運動的？
A：該機械臂以彈性中軸為核心，外圍配備多對合成肌肉，結構類似人體的肱二頭肌和肱三頭肌。這些肌肉相互交疊、協同工作，通過圍繞中軸的收縮與舒張實現機械臂的彎曲、扭轉和變形。研究團隊以蛇等動物的解剖結構為參考原型，並藉助神經儲層計算方法為其開發了動態自動控制方案。
Q3：儲層計算軟體機器人未來有哪些應用場景？
A：根據研究內容，儲層計算驅動的軟體機器人在多個領域具有廣泛應用潛力，包括醫療（在人體內部或狹窄空間中操作）、農業（如採摘易損果實）、救援打撈（在危險或人類難以到達的環境中執行任務）以及基礎設施檢測等。目前機械臂仍為虛擬模型，研究團隊計劃下一步構建實體原型進行驗證。
