软体机器人获得类人自适应能力：新加坡-麻省理工联合研究团队突破控制瓶颈
新加坡-麻省理工联合研究技术中心（ SMART ） Mens ， Manus and Machina （ M3S ）跨学科研究团队近日发布了一项重要成果：一套新型人工智能控制系统。该系统能够使软体机械臂完成一次学习后，即可灵活应对多种任务场景与突发干扰，且无需重新训练即可保持稳定性能表现。
这项研究成果意味着软体机器人向真正具备人类式自适应能力的实用化方向迈出了关键一步。
长期以来，软体机器人凭借柔性材料（如软质橡胶）与仿生制动器取代传统刚性电机关节，在精密操作和人机交互场景中展现出独特优势。然而也正因材质的柔软特性，其形态在运动过程中呈现高度动态变化特征，给精准控制带来了根本性挑战。现实环境中任何细微的扰动，如重量偏移、气流变化甚至硬件故障等，都可能显著影响软体机械臂的运动轨迹。
此前学界虽已取得显著进展，但多数方案仅能实现三项关键能力中的一项或两项：跨任务迁移、快速环境适应以及运动稳定性保障。三者难以兼顾的特性，成为制约软体机器人进入真实应用场景的核心障碍。
研究团队在发表于《 Science Advances 》的开放获取论文中详细阐述了这套受人类大脑学习机制启发的控制系统。该系统采用双重突触架构协同运作：结构性突触（ structural synapses ）在离线阶段完成多样化基础动作训练，构筑稳固的内置技能库。可塑性突触（ plastic synapses ）则在运行过程中实时更新，持续微调机械臂行为以响应即时状态。内置稳定性监测机制如同安全阀，确保系统在任何自适应调整中始终维持流畅受控的运动状态。
麻省理工学院教授、 CSAIL 主任丹妮拉·鲁斯（ Daniela Rus ）指出，软体机器人有潜力承担传统机械无法胜任的任务，而真正实现规模化应用，关键在于打造兼具高性能与高可靠安全性的控制系统。研究团队通过将结构性学习与实时适应性相结合，成功构建了一套能够驾驭软体材料在不确定环境中复杂行为的系统。
该系统已在缆绳驱动软体臂与形状记忆合金制动软体臂两种物理平台上完成验证。测试结果显示，在强干扰条件下跟踪误差降低 44%至 55，在有效载荷变化、气流扰动及制动器故障等场景中形状精度超过 92%。即便在高达 50%制动器失效的极端情况下仍保持稳定运行。
论文第一作者、新加坡国立大学及 SMART 中心前博士后、现东南大学教授唐志强（ Zhiqiang Tang ）表示，这套通用型软体机器人控制器首次在单一框架内同时实现了跨任务泛化、即时环境适应与全程稳定性保障三大核心能力。
研究团队已验证该系统在轨迹跟踪、物体放置及整体形态调节等多种任务类型中的表现，并展现出跨平台的通用适用性。
新加坡国立大学教务委员会讲席教授、先进机器人中心主任塞西莉亚·拉斯基（ Cecilia Laschi ）认为，这一成果重新定义了软体机器人的可能性边界。研究范式正从任务特定调优转向真正可泛化且具备类人智能的通用框架。
这项突破为软体机器人在制造、物流、检测及医疗机器人等领域的应用打开了新的想象空间。相较于传统刚性机器人需要频繁重新编程的情况，该系统可显著降低停机时间和维护成本。在医疗健康领域，辅助型与康复型设备能够自动适配患者实时变化的体力或姿态需求；可穿戴及医疗软体机器人也可更敏锐地响应个体差异，提升安全性和治疗效果。
研究团队下一步计划将该技术扩展至更高运行速度和更复杂环境下的机器人系统或组件，潜在应用方向涵盖辅助机器人、医疗器械及工业软体操作臂等领域。
该项研究由新加坡国家研究基金会提供支持。
创艺洞察
软体机器人赛道沉寂多年后正在酝酿新一轮爆发。与此前侧重材料革新或机械结构优化的路径不同，该研究的核心价值在于首次将“离线学习+在线适应+稳定性保障”三者统一至单一控制框架中，这意味着软体机器人从“能做”向“好用”的跨越已具备技术可行性。然而需要注意的是，当前实验环境仍相对受控，真正进入家庭辅助或手术室等复杂场景，需要进一步验证系统在长时运行、多模态干扰耦合以及人机物理接触临界状态下的鲁棒性。商业化路径上，与其直接切入 C 端照护市场，不如先在 B 端工业分拣或实验室自动化场景中建立可信案例，这或许是更务实的产业化节奏。
