SoftZoo是一個軟機器人協同設計平臺，可以測試機器人在不同環境中的形狀和尺寸。

自2008年采用“軟機器人”一詞以來，該領域的工程師一直在構建各種用于探索，運動，康復甚至太空的柔性機器。靈感來源之一：動物在野外的移動方式。

麻省理工學院的一個研究人員團隊更進一步，開發了SoftZoo，這是一個受生物啟發的平臺，使工程師能夠研究軟機器人協同設計。該框架優化了由設計組成的算法，該算法決定了機器人的外觀;和控制，或支持機器人運動的系統，改善用戶自動生成潛在機器輪廓的方式。

該平臺在野外散步，以熊貓熊、魚類、鯊魚和毛毛蟲等動物的 3D 模型為設計，可以模擬軟機器人任務，如運動、敏捷轉彎和不同環境中的路徑跟蹤。無論是雪、沙漠、粘土還是水，該平臺都展示了各種設計在不同地形下的性能權衡。

“我們的框架可以幫助用戶找到機器人形狀的配置，使他們能夠設計可以做許多不同事情的軟機器人算法，”麻省理工學院博士生Tsun-Hsuan Wang說，他是計算機科學和人工智能實驗室（CSAIL）的附屬機構，他是該項目的首席研究員。“從本質上講，它幫助我們了解機器人與環境交互的策略。

SoftZoo比已經模擬設計和控制的類似平臺更全面，因為它模擬了對各種生物群落的物理特征做出反應的運動。該框架的多功能性來自可微分的多物理場引擎，該引擎允許同時模擬物理系統的多個方面，例如小海豹在冰上轉動或毛毛蟲在濕地環境中緩慢行駛。該引擎的可微性通過減少解決計算控制和設計問題所需的通常昂貴的仿真次數來優化協同設計。因此，用戶可以使用更復雜的指定算法設計和移動軟機器人。

該系統模擬與不同地形相互作用的能力說明了形態學的重要性，形態學是研究不同生物體的形狀，大小和形式的生物學分支。根據環境的不同，一些生物結構比其他生物結構更優化，就像比較完成類似任務的機器的藍圖一樣。

這些生物輪廓可以激發更專業的、針對特定地形的人工生命。“水母柔和起伏的幾何形狀使其能夠有效地穿越大片水域，激發研究人員開發新型軟機器人，并為完全在計算機中培養的人造生物開辟了無限的可能性，”王說。“此外，蜻蜓可以執行其他飛行生物無法完成的非常敏捷的動作，因為它們的翅膀上有特殊的結構，在飛行時會改變它們的質心。我們的平臺優化了運動，就像蜻蜓自然更擅長在周圍環境中工作一樣。

以前，機器人很難在雜亂的環境中導航，因為它們的身體不符合周圍環境。不過，有了SoftZoo，設計師可以同時開發機器人的大腦和身體，共同優化陸地和水上機器，以提高意識和專業化。隨著行為和形態智能的增加，機器人在完成救援任務和進行探索方面將更加有用。例如，如果一個人在洪水期間失蹤，機器人可能會更有效地穿越水域，因為它使用SotftZoo平臺中演示的方法進行了優化。

“SoftZoo為軟機器人設計師提供開源模擬，幫助他們更輕松，更靈活地構建真實世界的機器人，同時加速機器在不同環境中的運動能力，”該研究的共同作者Chuang Gan補充道，他是麻省理工學院-IBM Watson AI實驗室的研究科學家，他很快將成為馬薩諸塞大學阿默斯特分校的助理教授。

“這種共同設計軟機器人身體及其大腦（即它們的控制器）的計算方法為快速創建專為特定任務設計的定制機器打開了大門，”CSAIL主任Daniela Rus補充道，麻省理工學院電氣工程與計算機科學系（EECS）的Andrew和Erna Viterbi教授，他是這項工作的另一位作者。

在構建任何類型的機器人之前，該框架可以替代現場測試不自然的場景。例如，評估類似熊的機器人在沙漠中的行為對于在波士頓城市平原工作的研究團隊來說可能具有挑戰性。相反，軟機器人工程師可以在SoftZoo中使用3D模型來模擬不同的設計，并評估控制機器人的算法在導航中的效果。反過來，這將節省研究人員的時間和資源。

盡管如此，當前制造技術的局限性阻礙了這些軟機器人設計栩栩如生。“從模擬到物理機器人的轉移仍未解決，需要進一步研究，”王說。“SoftZoo中的肌肉模型，空間變化的剛度和傳感器化無法用當前的制造技術直接實現，因此我們正在應對這些挑戰。

未來，該平臺的設計者正在關注人體力學中的應用，例如操縱，因為它能夠測試機器人控制。為了展示這種潛力，Wang的團隊設計了一個3D手臂，向前扔雪球。通過包括對更像人類的任務的模擬，軟機器人設計師可以使用該平臺來評估抓取、移動和堆疊物體的軟機械臂。

Wang，Gan和Rus與EECS博士生和CSAIL附屬公司Pingchuan Ma，哈佛大學博士后Andrew Spielberg博士'21，卡內基梅隆大學博士生周賢，麻省大學阿默斯特分校副教授張浩，麻省理工學院腦和認知科學教授以及CSAIL附屬公司Joshua B. Tenenbaum一起撰寫了一篇關于這項工作的論文。

Wang在MIT-IBM Watson AI Lab實習期間完成了這項工作，NSF EFRI計劃，DARPA MCS計劃，MIT-IBM Watson AI Lab以及MERL，思科和亞馬遜的捐贈資金都為該項目提供了支持。該團隊的研究將在本月的2023年學習表征國際會議上發表。