美国弗吉尼亚理工大学研究团队开发出一种受大脑神经元启发的新型计算方法。这种方法被称为“储备池计算”，破解了软体机器人控制难题，首次实现对高速柔性软体机械臂的有效控制，并在类脑芯片上将能耗降至原来的1/75。这项成果有望推动软体机器人向更小型、更自主方向发展，未来可应用于医疗、农业、灾害搜救和基础设施检测等领域。相关研究发表于最新一期《美国国家凯发k8院刊》。

软体机器人的灵活程度让金属机器人相形见绌，但这种“像生物一样柔软”的特性使其极难被控制。与传统机器人依靠固定关节和预设指令不同，软体机器人由柔性材料构成，运动方式更加复杂。一个部位的弯曲，可能会改变整个身体的受力状态，因此很难通过一连串明确命令精确控制。

此次，研究团队利用三维虚拟工具，设计出一种仿照蛇类身体结构的模拟机械臂。该机械臂采用中央弹性核心，并配备多组类似人类肱二头肌和肱三头肌的合成肌肉，这些“肌肉”彼此重叠、协同工作，驱动机械臂完成弯曲、扭转和伸展等复杂动作。

现有控制方法难以适应这种高度柔软、变化快速的结构。为解决这一问题，团队引入了“储备池计算”的神经计算方法。他们将机械臂运动数据输入系统，设定目标动作后，通过大量虚拟实验，让系统不断学习不同“人工肌肉”之间如何协同运动。随着实验结果持续反馈，一个关于软体机械臂行为的新模型逐渐形成。

这种方法不仅突破了传统人工智能和机器学习在软体机器人控制上的局限，还展现出更高的能效。当研究团队将系统部署在一种模仿大脑神经元“脉冲”工作的神经形态芯片上后，能耗最多可降低至原来的1/75。

目前，这种“肌肉型”机械臂仍停留在虚拟阶段。团队下一步计划制造实体原型机，进一步验证这种控制方法在真实软体机器人中的效果，希望未来的软体机器人能像章鱼等柔软生物一样，拥有更加自然灵活的运动能力。