Science Robotics / Research Article

Advancing physical intelligence for autonomous soft robots

作者：Chi Chen, Pengju Shi, Zixiao Liu, Sidi Duan, Muqing Si, Chuanwei Zhang, Yingjie Du, Yichen Yan, Timothy J. White, Rebecca Kramer-Bottiglio, Metin Sitti, Tetsuya Iwasaki, Ximin He · 单位：Department of Material Science and Engineering, University of California, Los Angeles, Los Angeles, CA, USA, Department of Chemical and Biological Engineering, University of Colorado, Boulder, Boulder, CO, USA, Materials Science & Engineering Program, University of Colorado, Boulder, Boulder, CO, USA, School of Engineering & Applied Science, Yale University, New Haven, CT, USA, School of Medicine and College of Engineering, Koç University, Istanbul, Turkey, Department of Mechanical and Aerospace Engineering, University of California, Los Angeles, Los Angeles, CA, USA · 来源：Science Robotics · 发布日期：2025-05-28 · DOI：10.1126/scirobotics.ads1292

操作移动机器人软体机器人触觉机器人

精读笔记

Problem Setting

Advancing physical intelligence for autonomous soft robots（Science Robotics / 2025）

这篇文章真正面对的问题是：软体机器人领域已经能做大量 stimulus-responsive motion，但大多数运动的“时序”仍由外部刺激源给出；材料本身只是把输入场转换成形变。作者想把问题重新定义为：在恒定或自然可用刺激下，软材料/结构能否内生地产生 sensing–decision–actuation 闭环，从而实现 autonomous physical intelligence。

关键矛盾是：自治运动需要非平衡能量注入，但稳定机器人又不能让正反馈无限放大；需要环境耦合，但不能依赖人工调制环境；需要材料慢响应带来的相位延迟，但慢响应又限制速度、功率密度和尺度放大。因此真正难点不是找到一个响应材料，而是让材料动力学、结构动力学和环境传输动力学的时间尺度匹配，形成稳定而非发散的极限环。

以前方法卡在两个地方：一类是 conventional robots，用中心计算、传感器、执行器和电源堆出 autonomy，但在小尺度、轻量化、柔顺身体中集成成本高；另一类是 responsive soft robots，看似无绳、无芯片，但控制信息往往藏在外部光场、磁场、电场或温湿度程序中。本文要解决的是后者的“伪自治”问题：把控制从外部刺激时序转移到材料–环境耦合反馈中。

Motivation

作者的核心动机是：物理智能不能只停留在材料对刺激的被动响应，而应当包含自调节的动态闭环。已有路线缺的不是更多材料类型，而是一个能解释 autonomy 从哪里来的机制标准。

文中最重要的观察是，生命系统中很多无需中心神经系统的行为依赖反馈与滞后：扰动可能被抑制，也可能被放大；如果正反馈负责启动、负反馈负责限制，再加上合适时间延迟，系统就能在非平衡态附近维持周期运动。这个观察把软体机器人中的恒定光驱振荡、湿度驱动行走、化学振荡凝胶、气动 ring oscillator 等现象放进同一个动力学框架。

关键缺口是：领域里大量论文展示了“constant stimulus 下会动”的器件，但常常缺少可迁移的设计语言。作者试图把这些案例从材料 novelty 中抽离出来，归结为反馈强度、时间滞后、非线性饱和、环境边界条件和机械阻尼之间的匹配问题。

Core Idea

核心思想是把 autonomous soft robot 建模为一个内嵌 nonlinear time-lag feedback 的自激动力系统，而不是一个由外部控制器驱动的执行器。恒定刺激只提供能量流；真正的控制信号来自机器人形变对刺激接收方式的改变，例如自遮光、接触/脱离热源、进出湿度梯度、局部溶胀改变扩散路径、气动阀状态切换等。身体状态改变输入，输入再以滞后方式改变身体状态，形成闭环。

这个建模方式引入的 inductive bias 是“极限环优先”：不是追求任意轨迹跟踪，而是设计一个在环境能量流中自然吸引到稳定周期轨道的系统。相比 prior 中依赖外部周期刺激的做法，它把时序生成器从外部控制器搬到材料/结构/环境界面。相比传统机器人控制，它牺牲可编程性和精确规划，换取小尺度、低集成复杂度和全身式感知-执行耦合。

理论上它可能有效，是因为时间滞后提供相位差，非线性提供振幅选择。小振幅时等效正反馈克服阻尼，系统从静止点逃逸；大振幅时材料饱和、几何接触变化或恢复力增强，等效负反馈限制增长，于是运动不是发散 flutter，而是稳定 limit cycle。这里的“decision-making”更准确地说是动力系统的吸引子选择，而不是符号决策。

Method

1. 用低维反馈模型定义 API 的动力学核心。文章从摆模型出发区分负反馈收敛、正反馈发散、非线性反馈极限环。它解决的是概念混乱：不是所有反馈都产生 autonomy，只有带合适相位和非线性饱和的反馈才能把恒定输入变成稳定运动。

2. 把 nonlinear velocity feedback 转写为 integral / time-lag feedback。这个步骤的意义在于连接真实材料机制：软材料通常不能直接测速度，但扩散、热传导、光异构化、粘弹松弛天然会对位形/刺激产生延迟响应。也就是说，材料内部的慢变量可以充当隐式状态或记忆变量。

3. 抽象出两个关键设计量：反馈强度 α 和时间滞后 τ。α 决定能否克服机械阻尼并使平衡点失稳；τ 决定相位是否合适。过弱则回到静止，过强或滞后不合适则可能发散、混乱或效率低。这个判断比简单说“响应快更好”更有价值：API 需要的是匹配的慢，而不是最快响应。

4. 对真实系统采用三层建模：结构模型、刺激–结构耦合、刺激场动力学。结构模型决定机械模态和能量存储；耦合项决定刺激如何变成应变/力；动力学方程决定延迟和空间梯度。这个分解把 hydrogel、LCP、hygroscopic polymer、fluidic oscillator 放进同一设计框架，但也承认没有统一本构模型。

5. 将 locomotion 视为极限环到环境非互易相互作用的转换。自振本身只产生周期形变；真正位移来自结构不对称、摩擦整流、流体阻力非互易、接触切换、几何约束等。这个区分很重要：API 负责产生时序，locomotion 还需要把时序整流为净运动。

Key Insight / Why It Works

最核心贡献不是列举很多软体机器人案例，而是明确指出：恒定刺激下的自治运动本质上是材料-结构-环境耦合形成的延迟非线性振荡器。这个 insight 值得迁移，因为它把“软材料响应”从 quasi-static morphing 推向 dynamical systems design。

为什么有效：

- 时间滞后提供隐式 memory。扩散场、温度场、溶剂浓度、cis/trans population、气动压力状态都不是瞬时变量，它们保留了过去身体状态的信息。因此系统虽然没有电子存储器，却具有短时状态记忆。

- 非线性提供 attractor shaping。线性正反馈只会发散，线性负反馈只会衰减；稳定运动来自非线性增益随状态改变。材料饱和、遮光、接触切换、相变、buckling、多稳态阀门都在做同一件事：让反馈符号或强度随振幅变化。

- 身体几何重组信息流。传统控制中 sensor → controller → actuator 是显式链路；这里刺激接收、状态估计、执行输出在同一材料体内重叠。形变改变刺激边界条件，边界条件再驱动形变。信息流不是模块化的，而是闭合在物理场中。

- 小尺度优势很大。许多成功案例依赖热/质扩散时间短、薄膜弯曲刚度低、表面积体积比高。这里的能力很可能部分来自 scaling，而不是单纯来自“更智能”的材料。放大到宏尺度后，τ、功率密度、热管理和环境均匀性都会变成瓶颈。

最可能的核心贡献是反馈语言和设计变量抽象；材料案例本身多数是已有工作重组。文章把它们统一到 α–τ–nonlinearity–limit cycle 这个框架下，这是实质性的 conceptual consolidation。

哪些可能只是辅助：对 locomotion mode 的分类、terrestrial/aquatic/aerial 的案例覆盖，更多是综述组织方式；它们支持广度，但不构成新的机制。所谓 decision-making 的表述偏强，很多例子实际上只是单一吸引子下的自振或环境触发的模式切换，还谈不上长期状态建模或任务级规划。

如果用机器学习类比，这不是 scaling/data coverage，也不是 retrieval；更接近 better inductive bias + embodied memory reuse。它把计算外包给材料动力学和环境物理，代价是可编程性低、可解释但难以泛化到复杂任务。

Relation To Prior Work

它最接近三条谱系：

1. physical intelligence / embodied intelligence：Sitti 等提出的物理智能范式强调材料和身体承担感知、计算、执行。本文沿着这条线进一步把 autonomy 收窄到“非线性时间滞后反馈产生自持续行为”。

2. self-oscillating soft actuators：LCP 光振荡、hydrogel 光/化学振荡、湿度驱动 film、热驱动 rolling/tumbling 等已有大量工作。本文没有声称这些现象全新，而是把它们解释为同一类自激反馈系统。

3. soft mechanical computing / fluidic logic：气动 ring oscillator、bistable valve、mechanical logic 与本文的 API 有交集，因为它们也把控制嵌入物理结构。但 fluidic/mechanical computing 更偏离散逻辑和可组合控制，本文更偏连续动力学和极限环。

真正不同点在于，prior 常按材料或刺激分类：light-responsive、humidity-responsive、chemical gel、biohybrid。本文按反馈机制分类：梯度/方向刺激引起自遮蔽或区域切换，化学反应自身振荡，生物组织内生节律，被动机械调节产生系统级不稳定。这个分类更接近机制而非材料 taxonomy。

看似新的部分包括 API 术语和 autonomy 分级，但本质上是已有 self-oscillation、embodied control、morphological computation 的重组。实质创新是把“constant stimulus → delayed nonlinear response → stable limit cycle → locomotion rectification”明确为软体机器人自治的一条设计路线，并指出反馈强度与时间滞后是跨材料的核心旋钮。

Dataset / Evaluation

这是一篇 Review，没有传统意义上的 dataset 或统一 benchmark。评价证据来自文献案例覆盖和少量代表性模型推导。任务覆盖很广，包括 terrestrial、aquatic、aerial 的潜在或已实现 locomotion，也包括 photonic、energy harvesting、fluid transport、biohybrid 等扩展应用；但覆盖广不等于验证了 API 的任务级 autonomy。

真实世界方面，文中引用了不少真机/真实材料系统，尤其微型软机器人、hydrogel swimmer、LCP oscillator、humidity-driven walkers、pneumatic oscillators。但多数 demonstration 仍在高度受控边界条件下完成：固定光强/光角、稳定热源、限定湿度梯度、特定水环境或实验台表面。它们验证了自持续运动，却未充分验证复杂环境下的鲁棒泛化。

benchmark 是否支持核心 claim：支持“非线性时间滞后反馈可解释并生成恒定刺激下的自持续运动”；不充分支持“接近生命级 autonomous intelligence”。文章自己也承认离 biological-level autonomy 很远。尤其 memory、logic、decision-making、collective behavior 多数停留在 perspective，而不是已有系统证据。

明显 limitation 是缺少统一量化指标：什么程度算 API，如何比较不同材料系统的 autonomy、energy efficiency、robustness、task complexity，文中未充分说明。当前评估更像 case-based plausibility，而不是 rigorous cross-system validation。

Limitation

1. API 的能力边界偏窄。大量例子本质是单一极限环或少数模式切换，不是开放环境中的决策。把 self-sustained locomotion 称为 decision-making 容易过度解释；更准确是物理吸引子动力学。

2. 成立依赖强环境前提。系统通常需要稳定方向性光源、可维持温湿度梯度、持续化学供能、低扰动流体环境或恒压气源。所谓 autonomy 很多时候只是把外部时序控制换成外部能量/边界条件设计；问题被转移了，而不是消失了。

3. scalability 上限明显。微尺度下扩散快、薄膜易弯、能量需求低；宏尺度下热/质传输慢、结构惯性和阻尼变大、功率密度不足。很多增益可能主要来自 scaling。文中对 macroscale API 的可行路径讨论偏愿景，缺少闭环设计准则。

4. 能量效率是硬瓶颈。光驱系统尤其依赖高强度连续输入，和自然 sunlight 或低功耗部署之间有差距。若能量转换效率不提升，自振只是漂亮的 lab demo，很难承担负载、飞行或长期任务。

5. 模型统一性有限。作者提出 structural model + coupling + kinetic law 的通用流程，但不同材料的本构、边界条件、非线性来源差异极大。增益来源不清时，很难从模型直接反推出可制造设计。文中未充分说明如何做 inverse design 或 robustness optimization。

6. 多模态与任务级 autonomy 仍未解决。单一极限环容易设计，多极限环之间的稳定切换、基于环境历史的策略选择、长期 memory 和 logic integration 才是真正难点。当前框架给了振荡器，但还没有给出 autonomous policy。

7. 泛化更多是物理相似性，不是任务泛化。一个光驱 swimmer 在另一光场/液体/尺度下是否工作，取决于具体时间尺度和边界条件，而不是抽象算法可迁移。泛化 claim 需要谨慎。

Takeaway

  • 1. 以后做 autonomous soft robots，关键不应只是找新响应材料，而是显式设计反馈相位、增益和非线性饱和；材料参数应服务于极限环稳定性。
  • 2. API 最有价值的迁移 insight 是：慢变量可以是 memory，环境边界可以是 controller，身体几何可以是 information routing。
  • 这个思想可迁移到 soft grippers、adaptive surfaces、microfluidics、energy harvesters 和 mechanical computing。
  • 3. 方向下一步不应继续堆单一 self-oscillation demo，而应做可切换多吸引子系统：能在不同环境状态下选择不同 limit cycle，并且有物理 memory/logic 支持 hysteresis 和历史依赖。

一句话总结

这篇 Review 将 autonomous soft robots 中分散的自持续运动现象统一解释为材料–结构–环境耦合的非线性时间滞后反馈极限环，是 physical intelligence 从响应材料展示走向动力学反馈设计的一次概念性整理。