Science Robotics / Research Article

Physical control: A new avenue to achieve intelligence in soft robotics

作者：Edoardo Milana, Cosimo Della Santina, Benjamin Gorissen, Philipp Rothemund · 单位：Department of Microsystems Engineering (IMTEK), University of Freiburg, 79110 Freiburg, Germany, Cluster of Excellence livMatS @ FIT—Freiburg Center for Interactive Materials and Bioinspired Technologies, University of Freiburg, 79110 Freiburg, Germany, Department of Cognitive Robotics, Delft University of Technology (TU Delft), Mekelweg 2, 2628 CD Delft, Netherlands, Institute of Robotics and Mechatronics, German Aerospace Center (DLR), Oberpfaffenhofen 82234, Germany, Department of Mechanical Engineering, KU Leuven, Leuven, Belgium, Institute for Adaptive Mechanical Systems, University of Stuttgart, Stuttgart, Germany · 来源：Science Robotics · 发布日期：2025-05-21 · DOI：10.1126/scirobotics.adw7660

软体机器人机器人

精读笔记

Problem Setting

《Physical control: A new avenue to achieve intelligence in soft robotics》（Science Robotics / 2025）讨论的不是一个具体 benchmark，而是软体机器人中低层运动控制的范式问题。实际问题是：软体机器人拥有丰富的非线性材料动力学，但传统控制仍倾向于把这些非线性视为建模负担，然后用外部计算器、传感器和控制回路去压制或补偿它们。

真正困难点在于软体系统的状态空间连续、高维、强耦合且高度依赖接触环境。传统路线卡在两个地方：一是精确建模和状态估计成本高；二是数字控制器生成的离散指令与软体结构的连续动力学之间存在表达不匹配。关键矛盾是，软体机器人的身体既是控制困难的来源，也是潜在的控制计算资源。本文主张把后者显式化。

Motivation

已有路线不够的原因不是算力单纯不足，而是控制架构错位：用数字计算做所有低层运动生成，会把节律、时序、局部反馈这些本可以由物理动力学自然完成的事情，重新编码成软件问题。对于软体机器人，这尤其低效，因为材料与流体网络本身已经具备阈值、滞后、耗散、延迟、双稳态、形变反馈等“可计算”结构。

作者的核心观察是：生物系统的运动智能并不等同于中央神经系统的显式控制，身体本身承担了大量滤波、耦合、稳定化和响应功能。软体机器人领域缺的不是更多 actuator demo，而是一个把这些物理非线性组织成控制原语的语言。本文试图把分散的器件工作提升为 physical control 的概念框架。

Core Idea

核心思想是把控制律的一部分写进物理系统，而不是写进微控制器。具体来说，材料的非线性响应、结构失稳、流体阻抗、耗散延迟和环境响应性共同定义了一个物理状态机/动力系统；外部输入只提供能量或少量调制，具体的节律、动作顺序和局部反馈由身体动力学自己生成。

这改变了建模方式：软体结构不再只是被控 plant，而是 plant-controller hybrid。它引入的 inductive bias 是“运动控制应服从身体可实现的能量流和相变结构”。相比 prior 中以软件闭环为中心的控制，这一路线把信息流下沉到材料层：压力、形变、接触和刺激不必全部数字化，而可以直接改变阀门状态、刚度、流量或几何构型。理论上它更 scalable 的地方在于低层自由度不需要逐一寻址；但这个 scalability 是以离线设计复杂度为代价的。

Method

本文的方法不是一个可复现实验 pipeline，而是把 physical control 归纳为三类机制。

第一类是 oscillation：解决恒定输入如何产生周期运动的问题。其必要性在于许多机器人任务需要节律，而用软件产生节律会要求持续的计时、反馈和控制输出。snap-through membrane、双稳态阀和流体 relaxation oscillator 的关键变化是把时间生成从 clock/controller 转移到压力积累、阈值翻转和泄压复位的动力学循环中。

第二类是 sequence：解决单一输入如何协调多个动作的问题。它利用不同 snapping threshold 或耗散延迟，使多个执行器在同一压力源下按物理条件依次触发。这里的核心不是“少一个输入管线”，而是把多自由度控制映射成阈值排序或相位传播问题。

第三类是 reaction：解决无电子传感-控制回路下的环境响应。Boolean reaction 通过双稳态流体逻辑实现离散状态切换；analog reaction 通过光、热等响应材料实现连续形状/刚度调节。它的核心变化是闭环不再经过 sensor-microcontroller-actuator，而是由环境扰动直接改变身体内部的能量通道。

Key Insight / Why It Works

最关键的 insight 是：软体机器人的非线性不是噪声，而是可工程化的控制基元。snap-through 提供阈值和记忆，双稳态提供离散状态，耗散提供时间尺度，流体阻抗提供耦合，刺激响应材料提供环境到形态的直接映射。这些东西合在一起，本质上构成了一个低维、物理实现的 hybrid dynamical system。

它有效的原因不是“材料更智能”，而是把控制问题重参数化了：从在线计算高维连续形变，变成设计少数关键 bifurcation、阈值和能量通路。对于节律、顺序动作、简单反射这类任务，这个重参数化非常强，因为目标行为本来就可以表示为 limit cycle、state transition 或 local feedback。

最可能的核心贡献是分类和 framing，而不是某个新物理机制。文中列举的 oscillator、fluidic logic、snapping actuator、phototaxis 都来自已有工作；本文新增的信息是把它们统一解释为 physical control 的三个行为原语。这个贡献偏 conceptual synthesis，但对领域有价值，因为它把软体机器人的“有趣 demo”重新组织成控制理论问题。

需要直接指出：目前所谓 intelligence 主要停留在低层 embodied reflex / rhythm / sequencing，不应过度类比认知智能。这里没有 evidence 表明系统具备长期状态建模、任务级规划或跨任务泛化。增益来源也并非 scaling 或 data，而是更强的 inductive bias：用物理结构限制并生成行为空间。辅助部分是各种具体器件实现；核心在于这些器件是否能组合成可设计、可预测、可维护的物理控制网络。

Relation To Prior Work

它最接近三条已有谱系：embodied intelligence / morphological computation，软体机器人中的 fluidic logic 与 autonomous soft machines，以及基于非线性结构失稳的机械计算。和传统 model-based soft robot control 的本质差异在于，后者试图建立 plant model 并通过外部控制器求解输入；physical control 则把一部分控制器嵌入 plant，使 plant 的自然动力学直接产生控制效果。

看似新的地方，如振荡、序列、反应，其实分别对应已有的 relaxation oscillator、mechanical sequencing、fluidic logic / responsive materials。实质创新不是单点机制，而是把这些现象放到“控制能力内嵌于物理结构”的统一坐标系中，并指出未来需要 hybrid systems + energy-based modeling + inverse design。

和 morphological computation 的区别在于，本文更强调可工程化的控制原语，而不是泛泛地说身体参与计算；和传统软体执行器设计的区别在于，它不再把非线性当作 actuator characteristic，而是当作 controller primitive。

Dataset / Evaluation

本文没有新数据集，也没有系统实验评估。证据来自文献中的代表性案例，覆盖节律生成、顺序驱动、离散逻辑反应和连续环境响应，但这些例子大多是任务特化、低自由度、强设计先验的演示。

这些 evidence 足以支持“physical control 已经在若干软体系统中出现”这一弱 claim，但不足以支持“这是通向软体机器人智能的可扩展路线”这一强 claim。尤其缺少跨场景、多任务、长期运行、制造扰动、材料老化、复杂接触环境下的评估。文中未充分说明如何比较 physical control 与轻量电子控制在能耗、鲁棒性、设计成本、可维护性和任务泛化上的真实 trade-off。

Limitation

最大限制是方法把在线控制复杂度转移到了离线设计复杂度。系统一旦制造出来，其行为空间往往被阈值、几何和材料参数锁死；这对固定反射和节律有利，但对任务切换、学习、重配置和高层决策不友好。

第二个限制是缺少统一建模框架。作者提到需要 hybrid systems theory 和 bond graph，但目前还没有展示这些理论如何实际支撑多组件非线性系统的逆设计。没有这一层，physical control 很容易停留在 artisan engineering：靠经验找一个会振、会跳、会转向的结构。

第三个限制是可扩展性并不自动成立。多个非线性组件连接后可能出现不可预测的耦合、漂移、迟滞累积和参数敏感性。单个 snap-through 元件可控，不代表由上百个阈值元件构成的软体控制网络也可控。

第四，智能上限明确。当前机制更接近 reflex arc、CPG 和 hard-wired behavior，而不是 reasoning/planning。若没有高层数字控制或可学习机制接入，它很难处理开放任务。所谓 autonomous materials systems 仍是愿景，文中未充分说明从低层 physical control 到任务级 autonomy 的中间层如何构建。

Takeaway

  • 1. 这篇最值得记住的是范式切换：软体机器人的身体不只是 plant，而可以是低层 controller；非线性不一定要被线性化或补偿，也可以被设计成行为生成机制。
  • 2. physical control 当前最适合的行为类别是 rhythm、sequencing、local reaction；不要把它过早外推到复杂认知智能。
  • 它的强项是低层实时性、能量耦合和传感-执行短路。
  • 3. 未来真正关键的不是再做一个会振荡/会避障的 demo，而是建立可组合建模和逆设计工具：给定目标 limit cycle、状态机或反馈律，自动生成材料-结构-流体网络。

一句话总结

这篇文章把软体机器人中分散的失稳、流体逻辑和响应材料工作重新定义为 physical control 范式：它的贡献主要是提出低层运动智能可由物理结构承载的研究框架，而不是证明一个已经可扩展的通用控制方法。