麻省理工学院的研究人员首次通过仅利用来自其“感测”皮肤的运动和位置数据，使软机械臂能够了解其在3D空间中的配置，这或许是未来机械臂的又一次变革。
外网科技媒体评论称，这个由柔性极高的材料（（类似于在生物体内发现的材料））制作而成的软
机器人，也受到目前机器人向着更安全方向的思路影响，比传统刚性机器人的更安全，更柔性，更具弹性和适应性，以及具备生物特性的新一代机器人全新替代品。
但是难点同样存在！例如对这些可变形机器人进行自主控制就是一项艰巨的任务，因为这些新软体机器人可以在任何给定时刻沿几乎无限个方向移动，这使得研究人员很难通过编程或者示教，训练用于驱动自动化设备的规划和控制模型。
原先，实现自主控制的传统方法（控制系统）是使用具有多个运动捕捉相机的大型视觉系统，该系统能为机器人提供有关3D运动和位置的反馈。但是，目前对于实际
应用中的这个新软体机器人而言，这是不切实际的。
发表在《IEEE机器人与自动化快报》上的论文中，研究人员描述了一种配套软体传感器系统，该系统覆盖机器人的身体，以提供“本体感觉”，即感知其身体的运动和位置。该反馈会进入一种新颖的深度学习模型，该模型可筛选出噪声并捕获清晰的信号，以计算机器人的3D位置。研究人员在这个看起来类似于橡树干的软机器人手臂上验证了他们的系统，让该机器人手臂可以自动摆动和伸展，并可以预测自己的空间位置。
这些研究人员的软传感器是将导电硅胶片切成折纸形状，使它们具有“压阻”特性，这意味着它们在应变时会改变电阻。当传感器响应机械臂的拉伸和压缩而变形时，其电阻将转换为输出电压，然后将其用作与该运动相关的信号。
麻省理工学院计算机科学与人工实验室（CSAIL）的博士后Ryan Truby表示，该传感器可以使用人类现成的材料制造，这意味着今后任何实验室都可以开发自己的系统。
他说：“我们正在感测软机器人特性，使其从传感器（而不是视觉系统）获取反馈以进行控制，而不是和原先一样通过视觉系统进行控制。” “例如，我们想使用这些柔软的机器人树干来自动定向和控制自己，捡拾东西并与世界互动。这是向这种更复杂的自动化控制迈出的第一步。”
未来的目标之一是帮助制造出可以更加灵巧地处理和操纵环境中物体的人造肢体。CSAIL主任Daniela Rus和电机工程与计算机科学系的Andrew and Erna Viterbi教授合着一本书表示，他说：“想想人类自己的身体：您可以闭上眼睛，根据皮肤的反馈来了解世界。” “我们希望为软机器人设计相同的功能。”
塑造软传感器
图片来源：麻省理工学院
完全集成的人体传感器是软机器人技术的长期目标。传统的刚性传感器会损害软机器人的自然柔韧性，使其设计和制造复杂化，并可能导致各种机械故障。因此，基于软材料的传感器是一种更合适的替代方案，但是其设计需要专门的材料和程序运行方法，这使得许多机器人实验室难以在软机器人中制造和集成它们。
有一天，在他的CSAIL实验室工作期间，寻找传感器材料的灵感时，Truby和这些新材料建立了有趣的联系。他说：“我发现这些用于电磁干扰屏蔽的导电材料薄片可以在任何地方成卷购买。” 这些材料具有“压阻”特性，这意味着它们在应变时会改变电阻。Truby意识到，如果将它们放在运动物体上的某些位置，它们可以制成有效的软传感器。当传感器响应于躯干的拉伸和压缩而变形时，能其电阻将转换为特定的输出电压，然后将该电压用作与该运动相关的信号。
但是这种材料的伸缩性不高，这将限制其在软机器人中的使用。受kirigami（提出折纸的一种变化形式，其中包括对材料进行切割）的启发，Truby设计并用激光切割了矩形的导电硅胶片，将其切割成各种图案，例如成排的小孔或类似链节围栏的交叉切片。Truby说，这使它们更加灵活，可拉伸，而且“看起来漂亮”。
研究人员设计的机器人躯干包括三个部分，每个部分带有四个用于移动手臂的流体致动器（总共12个）。他们在每个段上融合了一个传感器，每个传感器覆盖并收集了来自软机器人中一个嵌入式执行器的数据。他们使用了“等离子键合”技术，该技术可以使一种材料的表面通电，使其与另一种材料键合。大约需要几个小时才能成型出数十个传感器，这些传感器可以使用手持式等离子结合设备结合到软机器人上。
图片来源：麻省理工学院
如假设的那样，在实验中他们将传感器安在了一个行李箱上，传感器确实捕获了行李箱的总体运动。但是他们真的很吵。“从本质上讲，按我们传统的观念来看，它们在许多方面都是非理想的传感器，因为噪音是工业上非常讨厌的事。”特鲁比说。“但这只是用软导电材料制造传感器的普遍事实。性能更高且更可靠的传感器需要大多数机器人实验室所没有的专用工具制造。”
于是，为了仅使用传感器来估算软机器人的配置，研究人员建立了一个深度神经网络，通过筛查噪声以捕获有意义的反馈信号来完成大部分繁重的工作。研究人员开发了一种新模型，以运动学方式描述了软机器人的形状，从而大大减少了处理模型所需的变量数量。
图片来源：麻省理工学院（MIT CSAIL）Ryan L. Truby
在对比实验中，研究人员让软机器人的躯干摆动，并以随机配置将自己延伸大约一个半小时，他们使用传统的运动捕捉系统获取地面真实数据，同时在训练中，该模型也自主分析了来自其传感器的数据以预测配置，并将其预测与同时收集的地面真实数据进行比较。这样，模型“学习”以将信号模式从其传感器映射到实际配置。结果表明，对于某些更稳定的配置，机器人的传感器估计形状与地面真实情况相符。
接下来，研究人员旨在探索新的传感器设计以提高灵敏度，并开发新的模型和深度学习方法，以减少每台新的软机器人所需的训练时间和流程。他们还希望完善系统，以更好地捕获机器人的完整动态运动。
当前，该软机器人神经网络和传感器皮肤对捕捉细微运动或动态运动不敏感。但是，对于目前基于学习的软机器人控制方法而言，这是重要的第一步，特鲁比说：“像我们的软机器人一样，人类的生活系统也不一定是完全精确的，因此，与我们人类相比，机器人一开始也不是精确的机器，做一个看起来不那么精准的机器人，我们无疑做得很好。”
