软体机器人控制难题获解，比传统方法节能75倍，还能闭眼干活

在科幻电影中，柔软灵巧的机器人常常能轻松穿过狭窄空间、温柔抓取物体，或在复杂环境中安全工作。

与传统刚性机器人不同，软体机器人主要由硅胶、橡胶等柔软材料构成，能像章鱼触手或象鼻一样变形、弯曲和挤压。这使得它们在医疗微创手术、灾后救援、食品抓取以及人机协作等领域具有独特优势。然而，正是它们极为柔软的特性带来了根本性的控制难题。

近日，美国伊利诺伊大学厄巴纳-香槟分校和弗吉尼亚理工大学的研究人员在《美国国家科学院院刊》（PNAS）上发表了一篇重要论文，他们创新性地将生物学与人工智能工程学结合，通过引入“神经储备池”（Neural Reservoir）技术，成功控制了高度仿生的生物混合软手臂，实现了稳定追踪、自我感知和低能耗运行的突破。

这项研究主要由伊利诺伊大学厄巴纳-香槟分校的 Mattia Gazzola（马蒂亚·加佐拉）领导，他的实验室专注于软体机器人、生物混合系统、计算力学和具身智能，结合仿生学、力学建模和 AI 控制，是软体机器人与生物混合机器人领域的研究者。他还创办了一家公司 Archean Sciences，主要开发自主式“Brain-on-a-Chip”（脑芯片）系统，即在芯片上培养和维持真实的人类神经元，并将其与硬件、软件结合形成可自主运行的生物计算平台。

图 | Mattia Gazzola（来源：伊利诺伊大学厄巴纳-香槟分校）

第一作者 Noel Naughton（诺埃尔·诺顿）是弗吉尼亚理工大学的助理教授，研究领域包括生物启发式软体机器人设计与控制、肌肉骨骼组织的成像与力学等。

那么，何为储备池计算？

储备池计算是一种受生物神经系统启发的计算范式，主要用于处理随时间变化的动态数据。其核心思想是利用一个固定的、高维非线性动态系统（称为“储备池”）将输入信号映射到高维状态空间，从而将复杂的非线性问题转化为简单的线性回归问题。与传统的循环神经网络（RNN）需要训练大量权重不同，储备池计算仅需训练输出层权重，而内部的储备池连接权重是随机生成且固定不变的，这极大地降低了计算复杂度和训练时间。

通俗理解的话，储备池计算就像一个自带“记忆水池”的简易大脑，把连续变化的信号，比如机器人动作、声音、传感器等数据丢进这个“水池”，它会自动记住之前的信息、把复杂规律拆开，只需要教它最后一步怎么输出结果，不用费劲训练整个网络，适合用来控制复杂又多变的动态系统。

此前，诺顿曾利用虚拟工具和运动映射技术来设计新型机器人。他曾受章鱼启发，设计出运动方式类似的机器人。

在这项研究中，诺顿及团队利用这些 3D 虚拟工具，构建了一个肌肉骨骼仿生臂。该手臂由一条被动弹性脊柱作为主干，外围环绕着多个肌肉-肌腱单元。这些肌肉分为 4 层，以正交和拮抗的方式排列，从而实现三维空间内的全向弯曲和扭转。

图 | 神经储备池控制肌肉骨骼软体手臂（来源：上述论文）

研究通过多项复杂的仿真任务证明了上述方法的优越性。

在三维空间中动态追踪移动目标的测试里，面对同样的任务，前馈神经网络（FF）很快到达性能极限，而长短期记忆网络（LSTM）虽然收敛效果稍好，但其性能天花板远低于神经储备池。数据表明，储备池计算控制方案的追踪表现达到了 LSTM 的 2.2 倍，甚至是 FF 的 5.9 倍。

当研究人员通过逐步降低机械臂脊柱刚度使其变得柔软时，FF 在脊柱刚度降至 500kPa 时完全失控，LSTM 在 250kPa 以下性能急剧下降。相反，神经储备池在脊柱刚度降至 62.5 千帕（大致等同于哺乳动物真实肌肉组织的极度柔软状态）的极端情况下，依然能维持稳健的控制。

分析发现，储备池自主学会了精妙的多层肌肉协同收缩策略，通过底部的肌肉不对称收缩进行粗略定向、中部的肌肉对称收缩提升整体稳定性、顶部的细微收缩精准对准目标。这种仿生发力方式有效减少了不必要的脊柱弯曲和多余的动能消耗，实现了顺滑且精准的动作。

图 | 控制越来越柔软的手臂（来源：上述论文）

除了控制力之外，储备池也展现出了优秀的自建模能力。基于其天然并行的计算特征，研究团队在同一个储备池上训练了三组独立的输出映射模块，分别用于预测机械臂全身位姿、未来目标位置与末端执行器位置。

当研究人员设置传感器短暂失效、目标信号丢失时，储备池可通过预测值填补缺失信息，在失明时间小于1 秒时性能完全不受影响，即便失明长达 3 秒，控制效果仍优于 LSTM，大幅提升了复杂环境下的鲁棒性。

考虑到未来的微型或无缆软体机器人对于低功耗的需求，研究团队进一步采用更贴近生物大脑皮层动态的“脉冲神经网络”（Spiking Neural Networks），并将储备池部署在英特尔的 Loihi 神经形态计算芯片上。

实验表明，在保持控制性能不减的情况下，运行在 Loihi 芯片上的脉冲储备池相比于标准 CPU 实现了高达 75 倍的能效提升。即使与主打低功耗的 ARM CPU 相比，也节约了约 45 倍。

此外，为了验证系统在真实物理环境中的交互表现，研究人员设置了一个由无规则柱状障碍物组成的复杂地形，要求机械臂在不规则几何约束下穿越狭缝并触达目标。

结果显示，柔性臂并没有刻意避开障碍物，而是主动利用自身柔顺特性贴合、依靠障碍物，借助被动接触重构形态，高效穿过复杂障碍到达目标。即便障碍物位置大幅偏移（达到半径的 500%），训练好的控制策略无需任何微调，仍能保持超过 50% 的成功率。

目前，研究仍处于仿真阶段。未来，团队计划将该控制框架迁移到真实物理原型上，探索与生物材料结合的混合系统，并进一步优化储备池规模以适应更复杂的多臂协作任务。

1.https://techxplore.com/news/2026-05-soft-robotics-ai-cousin-reservoir.html

2.Naughton, Noel, et al. “Neural Reservoir Control of a Bio-Hybrid Soft Arm.” Proceedings of the National Academy of Sciences, vol. 123, no. 17, 2026, https://doi.org/10.1073/pnas.2522094123.

3.https://en.wikipedia.org/wiki/Reservoir_computing

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成