走向「生長」機器人：從細胞到植物仿生機器人的歷史演變

來自專欄人工智慧學習筆記6 人贊了文章

本文由集智翻譯組整理自http://www.frontiersin.org

精簡版首發於「集智俱樂部」公眾號，文章鏈接：https://mp.weixin.qq.com/s/n3qaJuiNjffyA9etpjYVfg

1. 簡介

1.1 生物界的生長

生物有機體的產生涉及了三個彼此緊密連接的變化過程：生長（質量上的改變），重塑（材料性質上的改變），和形態發生（形態的演變）。其中的生長，可以被看作一個物理過程，在這個過程中，通常隨著身體的擴大或伸長，質量上產生永久性的增加。生長也可以被看作一個描述系統複雜性增加（例如知識的增長）的抽象過程。

動物與植物的細胞活動都與生長相關，然而，動物界的進化過程與植物界是完全不同的。動物有多個生長階段，且只生長到成熟期，生長通常發生在全身。動物生長也被稱為有限生長，軌跡和漸近大小通常由基因決定，而環境帶來的影響有限。自然選擇通過進化的機制，決定了動物最終的身體大小與成熟階段，以更好地滿足該動物的生態角色所施加的機械限制（Sebens，1987）。

植物的生長則被稱為無限生長，因為植物的生長沒有這些限制，大多數情況下一輩子都不會停止，且通常局限於身體的特定區域，也就是根和莖上的分生組織。植物生長的大小反映了食物資源、代謝需求和種群密集程度之間複雜的相互依賴關係。對於環境條件的高度適應，也稱為可塑性，是植物界一大特徵。

另外，在時間上對比，植物和動物的生長往往是在不同的時間尺度發生的。從功能上看，植物使用生長來移動、探索與佔領周圍環境，而對於動物來說，生長和運動是彼此完全獨立的功能。

1.2 在人造系統中複製生長

一直以來，在人造系統中複製生命系統中的自然過程，都是許多科學家和工程師的夢想（Neumann & Burks，1966）。生長便是其中一個自然過程。圖靈（1950）是第一位嘗試在自動機中重現神經學習過程的數學家，他表明進化、學習和生長都是可以在機器中復現的。同樣作為數學家，Ulam也把生物學看作可建模的數學問題的一大來源，如生長和進化（Beyer 等，1985）。

自那以後，多種生物模型中的生長概念都已被廣泛地用於計算應用中，例如細菌菌落的生長過程，黏菌的生長模型，或是L系統。細菌菌落的生長過程已被應用於優化演算法（Passino，2002）和機器人定位（Gasparri & Prosperi，2008）。由於其獨特的生長繁殖策略，黏菌的生長模型被用於解決最佳化問題或者圖論問題，例如物流網路領域中的問題（Tsompanas 等，2015），或迷宮求解問題（Adamatzky，2015）；它也被廣泛地用作感知與計算的模型（Adamatzky，2016）。L系統是一種字元串重寫系統（Kari 等，1997），這類系統被用於植物生長建模，也被用於結合神經網路控制器以實現虛擬生物中身體和大腦的共同進化（Hornby & Pollack，2001）。

1.3 生長機器人與模塊化機器人

作為一個物理過程，機器人技術的發展主要是通過自組裝和自我重構。這些都是「模塊化機器人」的特性。模塊化機器人是機器人技術中的分支，其中的機器人由多個模塊組成，每個模塊都具有自己的驅動和感知功能。自組裝允許模塊彼此之間產生物理連接，自我重構則是模塊化機器人通過重新排列模塊連接來修改其形態的能力。

「生長機器人」的概念不應局限於這兩個定義。從生物學意義出發，一個生長機器人應該被視為一個能通過增添材料來改變其身體結構的機器人實體。這裡的材料，指的是能夠被提供給機器人或在環境中直接可用的，並且能夠通過某種自我構建過程連接或組裝到機器人身上的任何組件、模塊或物質。這些材料不僅能夠導致機器人身體質量增加和形態變化，而且還能給予它更多、更強的能力，例如通過分散式感應提高感知能力、增強移動能力，或者提供任何能夠幫助它完成原來不可能完成的任務的能力。

符合自組裝定義的機器人，在一定程度上的確實現了生長功能。這些機器人通過向主要實體添加新模塊來改變其身體的質量。自我重構則可以被視為一個額外的特徵，與生長並非嚴格相關：並不是所有的可重構機器人都可以視為生長機器人，因為重構可能發生在封閉的系統中，不會增加機器人的體積或質量。

目前，模塊化機器人技術是工程師用人工系統模擬生物有機體的形態演變過程時使用的主流方法。然而，對生長機制中涉及的生物學過程更深入的理解，也能夠幫助我們改進研究方法，以創造出更接近生物生長實際情況的人工模擬。

1.4 生長機器人的應用意義

來自生物的啟發，已大大幫助我們找到好的方法，使機器人的身體與行為能夠適應環境中的變化（Pfeifer 等，2007）。對神經系統和進化過程的研究，幫助我們發現針對對於傳統分析方法來說太過複雜的問題的啟發式解法，並引領我們朝機器「智能」的生長方向發展（Goldberg & Holland，1988；Floreano & Mattiussi，2008）。由於植物相對動物來說的特殊性，植物對於機器人技術早已有所啟發，包括感知（Lucarotti 等，2015）、材料（Li & Wang，2016）、驅動（Sinibaldi 等，2014）以及控制策略（Sinibaldi 等，2014）等方面。這些技術發展出了一個領域，稱為植物仿生機器人。

這個機器人的新領域吸引了很多機器人學家和工程師的關注（Mazzolai 等，2014；Wahby 等，2016），也已經將許多植物相關的概念引入了模塊化機器人技術。例如，Soorati & Hamann（2016）遵循模塊化機器人的研究方法，將一組名為 Kilobots 的機器人（Rubenstein和Nagpal，2010）根據光分布模式按照分支狀排列，模擬了植物的生長。

生長機器人的實用性來源於其強大的潛在適應性。在非結構化環境中，環境約束條件往往不明確，不知道哪些地方人類是無法觸及到的（例如地震後），或難以定位目標物體或地點。在這種情況下，如果一個機器人系統能夠根據環境和任務要求，快速調整其運動、形態和功能，也就能大大提高工作效率、縮短干預時間。

1.5 本文結構

本文梳理了機器人發展概念中的里程碑（圖1）。「走向生長機器人」小節整理了歷史上採用的方法，以及最近在受植物啟發的機器人領域的成果。在「生長機器人的生物學啟發」小節中，我們對比一些基於不同的生物系統模型而設計的機器人方案，包括分子，細胞，以及生物體三種不同的自然複雜程度，並分析它們背後實施的與生長相關的概念。最後，在「探討與結論」小節，我們討論該領域未來面臨的挑戰。

圖片來源：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full#B41

2.走向生長機器人

2.1. 馮·諾伊曼的自我複製機設想

生長機器的概念可以歸功於約翰·馮·諾伊曼，早在二十世紀中葉，他便探討了「自我繁殖機器」與「複雜性」的概念。複雜性的概念，中心思想是自然生物體會進行複製繁衍，在繁衍的過程中複雜性不會降低；相反，隨著進化的過程增加，新系統總會比之前的系統更加複雜。對於是否能通過自動機實現複雜性概念、具體又應該如何實現，馮·諾伊曼做了許多設想。在圖靈的自動機計算理論與烏拉姆的細胞層面模擬建議的基礎上，他形式性地提出了他的想法：一個自動機，可以從一個包含浮動組成元素的庫開始，生成另一個與自己相同的自動機。

考慮到自然系統的高度複雜性，馮諾依曼提出了一種基於將自然過程轉譯至人工系統的方法，其中包含兩個步驟：

（一）將問題分解為子問題（例如，單個有機體由許多基本單元組成）；

（二）了解這些基本元素是如何組織起來的，以及每個單元在整個系統的運作起到什麼作用。

2.2 CEBOT 細胞機器人，首個模塊化機器人

這種將複雜有機體分解成更小和更簡單的單元的想法，後來在 Fukuda 等（1988）的機器人中首次採用。1988 年，Fukuda 介紹了他在 CEBOT（細胞結構機器人）中實現的動態可重構機器人系統（dynamically reconfigurable robotic system，DRRS）的概念。這項工作的開創性在於，機器人的概念不再是一個整體單元，而是一個由分離開的自治、異構單元組成的分散式機器人系統，其中的單元稱為「細胞」。這些機器人單元可以功能化，彼此之間可以相互通信，也可以自動地接近、連接或斷開連接。多個細胞能夠組成一個統一的模塊，就像一塊生物組織；多個模塊則能夠組裝成一個結構化機器人。系統可以改變其結構以適應環境，並利用不同的模塊組合來執行任務。同樣地，通過採用這種重組模塊的策略，這種系統具有自我修復和容錯的能力，即使發生故障也能夠繼續運行。

這些可分解的自組裝機器人背後的理論基礎發展，遠遠超出了實際的實現。雖然 CEBOT 有幾個實現的版本（Mark I，II 和 III），但它們僅由兩個模塊組成。儘管如此，CEBOT 是模塊化機器人的第一個原型，它開拓了「細胞機器人」技術領域，又名「模塊化機器人技術」。

細胞機器人是一個廣泛的研究領域，通過研究簡單或原始的智能（如社會性昆蟲）得到的知識來組織一群機器人之間的協調與合作（Fukuda & Ueyama，1994）。它的主要特徵包括：模塊化，表現細胞結構；功能簡單性，每個單元只擁有相對有限的功能；以及去中心化的控制，機器人的智能從細胞之間的相互作用中浮現出來。細胞模塊主要是預製的機電一體化單元，其組裝和組合構成一個個體（一個細胞機器人）。一個由互相交流的多個細胞機器人個體組成的社群則構成一個細胞機器人系統。基於這一概念，細胞機器人也融合了「群體機器人」技術（Beni & Wang，1993；Fukuda & Ueyama，1994）。

通過在機器人中探索生物系統所採用的自組織與自我構建的特性，模塊化機器人技術已經向馮·諾依曼的自我再生自動機理念邁出了一步。在 Fukuda 的 DRRS 之後，領域中最大的挑戰，在於一個系統如何才能不受初始設計限制，通過構建方法、結合細胞之間的連接來拓展自己的能力範圍。動態重組態的能力使機器人能夠根據任務調整自己的結構，尺寸和功能。自組裝，自我重構和分散式控制也成為機器人領域開展的許多工作的特徵。下文中，我們也會進一步討論其中哪些工作實際上包括了「生長」的特性。

2.3 自我設計、增材製造的可重構機器人

Lipson 和 Pollack（2000）提出了除細胞機器人之外的另一種方法，概念上是可不斷進行自我設計的、可組態重構的機器人。他們提出結合進化計算的能力來同時設計身體與發展控制，並利用增材製造的方式來製造它。根據他們的方法，一個複雜的機器人由三個主要單元組成：一個單元計算設計，第二個單元製造身體，第三個單元是該過程的結果，即產生的身體。這樣的機器人，不需要人工干預就能夠自行生產出最能滿足任務的控制和設計。

Lipson 和 Pollack還致力於開發一種由可回收材料和部件組成的機器人，這些部件可以被融合，並重新用來塑造新的形態。他們實現了一個基於演化過程的初步想法，該過程能夠生成線性驅動器與桿的組合，之間由自由關節連接，由此形成的身體形態能夠移動一定的距離。在這個過程中，一個神經網路作為控制進行演化，設計的結果通過商業3D印表機產出。產出的元件需要手動組裝，添加電機，並進行編程。該方法的主要限制是可用的技術。儘管機器人的設計是由計算單元自動生成的，但將製造設備添加為機器人的一部分是不切實際的，人類的協助對組裝組件至關重要。另一方面，在 Lipson 的觀點中，增材製造不僅可以被看作是在創建機器人身體部分時典型製造技術的替代（例如，模製或組裝），也不僅是協助和增強機器人功能（例如，讓機器人構建自己可以使用的工具或機械手（Wang 等，2014a）），而且還是機器人系統的一個集成的、基本的組成部分。它使得機器人系統能夠創建出由控制器定義的、原先不可預知的結構，並探索那些用傳統方法可能難以製造的設計。

2.4 進化機器人

第一種共同進化身體形態和控制的方法是由 Sims（1994）提出的，此方法中一系列不同的虛擬生物在模擬的三維世界中競爭，進化選擇機制獎勵那些得分最高的動物，讓他們生存和複製。形態和行為的進化是同時發生的，基因型由描述生物生長指示的有向圖作為表徵。Marbach 和 Ijspeert（2004）在他們的 Adam 模擬器中使用了類似的方法（基於樹的基因型表徵），並在基因同源的鏈狀模塊化機器人中對於組態和 PD 控制進行了共同進化。他們的目標是開發一個模擬器來定義物理中可實現的，擁有已知的固定設計的模塊化機器人的形態結構，以及該結構對應的運動控制。von Haller 等（2005），利用一個基於中樞模式生成器的神經網路控制器，對於水下模塊化機器人的身體組態進行了共同進化。

虛擬生物進化的另一個角度是提供對於真實機器人的抽象（Bongard，2013），這裡便融入了「進化機器人」的研究方法。這種方法的主要目標是重現進化過程，以找到特定任務的最佳機器人結構，此結構與生物初始結構不一定相似。這個機器人領域還利用「發展的進化」的概念，這是指一個生物從胚胎期演變至成熟期的過程也受到隨時間進化的影響（Bongard，2013）。Bongard 提出了一種鰻形虛擬生物在進化早期變異為有腿形機器人的進化過程。在他的觀測中，運動步態隨著形態上的改變而得以進化；他還發現，與形態已經有腿的生物相比，鰻形生物進化為有腿生物的轉變過程更快，步幅的魯棒性也更高。

進化機器人技術也是理解形態發生特性和生物進化過程的生物學工具。進化機器人已被納入更廣泛的「形態發生工程」領域（Doursat 等，2012），這是一種細胞機器人技術的發展，它基於對生物體和種群如何可靠地完成形態發生任務的深入理解。它還研究自組織能力如何轉化為工程系統，哪些原理可以實現形態發生系統。其基本原理仍然與細胞機器人相同，包括模塊化和分散式控制，儘管它被賦予先進的工具和演算法方法，例如由進化機器人提供的方法。這些方法同時探索自主系統的設計和控制，這些系統能夠以分散式的方式發展出複雜且異構的形態和功能。

這一領域的結果已表明了製造通過進化得到的模塊化生物（Hiller & Lipson，2012）以及將進化後的控制轉移到物理上不進化的機器人上的可行性（Koos 等，2013），將大量精力投入於在模擬中計算機器人的設計與形態學進化。進化機器人採用的方法也被用於虛擬軟體機器人的進化（Joachimczak & Wróbel，2012），尤其是對材料特性及其對機器人行為影響的研究（Rieffel 等，2014；Corucci 等，2016）。所有這些工作，以及其他許多工作，都表明一個在智能上能夠有生長、具有適應性的機器人是可以實現的。然而，從模擬到物理實現一個不僅在智能上，而且在形態上能夠生長的，完全自主運作的機器人，是一個仍在發展的過程。如前所述，主要的挑戰似乎在於如何在物理上實現真實機器人的形態演變與生長的進化過程。

2.5 植物仿生機器人

朝著生長機器人的物理實現邁出的更近一步，靈感來源於植物生長的概念。此方法起源於觀察植物對惡劣環境的高度適應性以及它們在土壤中探索及拓殖的能力，這些發現有助於開發能夠探索地下環境的人工系統。目前，通過這種方法，已產生了一系列在土壤中高效移動的技術解決方案。例如，Sadeghi等（2013年）利用了一個植物表皮從中間的維管向外翻出的機制，以復現植物根尖釋放死亡細胞的過程。這是通過在植物維管和土壤之間生成一層組織來實現的，實驗表明此方法減少了根尖穿透土壤的阻力。

Del Dottore 等（2016年），在一個機器根尖中實現了同是在植物根部尖端進行的振蕩運動，並表明在這種方式下，穿透土壤所需的力與直接穿透相比有所減少。使根與莖能夠通過細胞分裂和伸長在頂端區生長的特徵，首先被轉化為一個能夠繞圈沉積絲狀列印材料的根狀裝置，以保持絲狀材料與人工根尖的接觸，從而為將探頭推入土壤提供足夠的力（Sadeghi 等，2014）。Sadeghi 的研究發現，為新一代植物仿生機器人鋪平了道路，也為「自我構建」機器人概念的物理實現提供了細胞機器人之外的另一種替代方案。

圖片來源：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full#B41

圖片來源：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full#B41

3. 生長機器人的生物啟發

本部分概述了由生物系統中生長機製得到啟發的機器人，在這些機制中，生長是通過某種結合策略而得以物理實現的。主要的兩個類別包括具有物理自組裝能力的模塊化機器人，以及模仿植物尖端組織生長機制的植物仿生機器人（圖2）。

我們根據自然元素的分層維度將選定的機器人分類，從分子開始，到細胞，再到一個完整生物體（圖3）

3.1 分子機器人

該類別包括所有受 DNA 中分子聚合作用啟發的機器人（圖2）。這個過程是所有進化過程的基礎，包括生長。對於這種系統的模擬實現，是基於布朗運動的原理來模擬粒子的隨機碰撞（Einstein，1956）。粒子之間彼此獨立時，每個粒子處於未激活狀態，但一旦成功建立化學連接鍵，就能獲得功能性；這種組裝的能力，此處可以被視為「生長」。

3.1.1

分子機器人最早的例子之一來自 Griffith（2004）製造的能夠自組裝的小型實體，其目標是再現納米/微米級生物系統的組裝能力，以設計出新的製造技術，使自組裝三維結構能夠實現防錯、糾錯、邏輯、自我複製以及通過複製部件組裝進行自我修復。他的工作成果是一個自我複製系統，由在浮動平面上隨機移動的有限狀態機組成，可對於鄰近的通信做出響應，相互之間產生物理連接或斷開連接（Griffith 等，2005）。在這個實現中，每個部分不需要儲存關於整體結構的信息，而是查詢鄰近個體與自己的相似性及其在接下來將要創建的複製中的位置。

3.1.2

White 等提出了一種基於隨機模塊在隨機綁定的浮動平面上移動的方法，使用兩個幾何形狀，一個正方形和一個三角形，在2D平面上運動、相互連接聚合（圖4A）。連接的產生從單個活動模塊（種子模塊）開始，根據內部規則，它能夠對於連接點進行激活或解除激活。該方法原理基於統計力學和活性鍵合點的吸引力屬性，連接點採用電磁鐵實現，結構從種子模塊開始生長。一旦建立了連接，所得到的結構就能夠激活全局或分散式的感測，驅動和計算功能。基於同樣原理的兩個 3D 版本也已經實現，第一種使用磁體進行連接聚合，第二種藉助內部的泵的激活或止停來形成鍵合或者拆分連接（圖4B）。在兩種 3D 實現中，模塊在液體中被動地移動，通過攪動將隨機性引入系統，固定在水箱底部的模塊充當種子並吸引浮動模塊。

3.1.3

Haghighat等提出了相同的浮動原理（2015年，2016年）。他們製作的 Lily 機器人能夠按照圖語法規則組裝自己，演變出不同的形狀；這些規則根據目標結構，指定隨機匹配時的條件（圖4C）。

3.1.4

Bishop 等（2005）提出的可編程部件，則是漂浮在氣浮台上的三角機器人，在隨機碰撞時彼此結合。化學反應是通過用來建立或分離一個連接鍵的圖語法規則來模擬的。然而，由於隨機性和組裝能力不足，它不應被視為生長機器人。實際上，它只能將其自身組裝成完全依賴於模塊幾何形狀的單一形式。研究已經表明，不同形態與環境隨機性的結合會極大地影響模塊的集群化（Miyashita 等，2011）。另外，形態本身的作用也已經被分析，例如 Miyashita 等（2009）或 Nakajima 等（2012）的工作，展示了這些情況下根據不同幾何形狀引向的不同聚合。

分子機器人讓我們可以在人工模擬中重現自然過程，其中涉及的工作也不會過於複雜。然而它們非常依賴於定義組件的模塊幾何形狀以及為模塊運動提供能量的浮動環境，因此主要還是限於輔助理論探索。

圖片來源：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full#B41

3.2 細胞機器人

這個類別可能包含所有模塊化機器人，因為它的啟發來源於細胞結構。從概念上來說，它們與細胞相似；然而，它們並沒有通過細胞分裂和自我複製來實現生長這個生物功能。

關於模塊化機器人的綜述已經有很多（Gilpin & Rus，2010）（Gro? & Dorigo，2008）（Yim等，2009）。模塊化機器人通常可以由體系結構（晶體，鏈型，可移動與混合）或自我重構的方法（確定性，隨機性）進行分類。然而，我們的目標不是提供另一個模塊化機器人的綜述，而是在於這些機器人實現的生長功能。因此，這裡僅選擇那些通過自組裝方式顯示生長能力的模塊化機器人，純粹的晶體或鏈型模塊化機器人通常沒有這些特徵（圖5）。

模塊化機器人的重點，一直以來在於系統重構；它使用群體智能的概念，使每個模塊變得更獨立，並為模塊之間的協作創造更多方式。從製造出發的角度，技術目標也往往是實現彼此之間可以產生物理連接的可移動獨立模塊。這些系統主要描述了 2D 平面中組態的移動與相互連接，（例如 Swarm-Bot（OGrady 等，2005），ULGEN（Ercan & Boyraz，2016），X-CELLs機器人（Hong 等，2011）），超出了本次審查的範圍，因為它們主要模擬一個集群中個體的集體行為，每個個體已經具有較強的自治能力，而集群也並不導致各種能力的增強。因此，像「走向生長機器人」小節已經提過的那樣，這些群體機器人的工作，比起細胞機器人，更像是細胞機器人系統。

3.2.1 初代細胞機器人

CEBOT（圖5A）（Fukuda & Nakagawa，1988）是為方便在工業環境中的操縱而建造的，儘管沒有實現全部功能，它仍然是模塊化和分散式控制的先驅（「走向生長機器人」一節中已提到）。CONRO（圖5C）（Rubenstein 等，2004）通過兩個部分的自組裝來顯現其生長能力，每個部分由兩個模塊組成。兩個部分之間的對接需要通過適當的公/母機制來執行，對於每個部分的檢測受到IR界面對齊的限制。PolyBot（圖5B）（Yim 等，2002）的組裝策略在設計上與 CONRO 非常相似，比 CONRO 多出的是由六個模塊組成的機械臂與位於固定已知位置的單個模塊之間的對接。

3.2.2 視覺反饋

比 PolyBot 更先進的繼任者 CKbot（圖5E）（Yim 等，2007）使用視覺反饋來定位相鄰的，未連接的模塊。每個未連接的模塊集群需要一個攝像頭模塊來指導其對接，且所有集群都會搜索其他集群。與此類似的另一個系統 M-TRAN （圖5D）也使用了視覺反饋（Murata 等，2006），其中一個攝像頭模塊位於一個靜止的群集上，用於計算未連接的模塊集群的位置和方向，並引導它們朝對接位置行進。

3.2.3 磁性對接

SMORES（圖5G）（Davey 等，2012）是一個混合系統，其中每兩個模塊之間的連接是通過位置接近的磁鐵自主引發的（搜索和接近方法未描述）。M-Blocks（圖5H）（Romanishin 等，2013）是獨立的機器人模塊，通過磁性的邊緣和面進行組裝，使用單向反作用輪（飛輪）創建近似的扭矩衝量。當一個模塊未與目標位置對齊時，模塊驅動器將生成一個高扭矩引起模塊隨機移動；相反，如果模塊與目標位置已對齊，則使用計算的扭矩，控制模塊朝目標方向旋轉。Qiao 等（2014）展示了移動模塊如何將自身對接到一個固定在指定位置的模塊（圖5AI）。

3.2.4 機械掛鉤

Wei 等（2011）提出了另一個細胞機器人（Sambot）的例子（圖5F），儘管它在分類上可能位於群體機器人和自組裝的移動機器人之間的邊界。通過自組裝，這種多機器人系統可以形成具有移動能力的各種機器人結構。對接方式是使用紅外介面和機械掛鉤實現的。Roombot 模塊也使用機械掛鉤來相互連接（圖5J）（Spr?witz 等，2014）。Spr?witz 展示了兩個模塊連接後可跨越凸邊的能力；然而，模塊需要預先計算一組步驟，並且還需要連接到嵌入地板的無源連接器的網格。

3.2.5 對接的挑戰

在細胞機器人技術中，大部分的重點都放在了對接策略上，包括搜索，接近和連接未連接的模塊。為了獲得鏈接機制，模塊需要施加足夠的力以連接到另一個模塊，並將它抬起來。除了形成連接之外，模塊也需要能夠快速地斷開連接。另外，尋找最佳重新配置的策略也很重要。一般來說，搜索和步驟規劃演算法是在一個單獨的工作站上實現的，只有這樣才能為每個模塊提供遵循的步驟。

生長，或者在這類機器人中，自組裝能力通常並不是模塊化機器人技術中的關鍵目標。一個與生長更具相關性的例子是 Proteo 機器人（Bojinov 等，2000）。Proteo 是一種基因同源的多個體自重構機器人系統，據作者的說法，它能夠生長出穩定的結構。Bojinov 使用局部吸引器（稱為種子模塊）決定機器人的結構，這種模塊產生對所需全局結構的吸引梯度，其原理與引導遷移細胞的化學梯度類似（Meinhardt，1993）。然而，生長的概念在 Proteo 中被用作一種對於形態進行直接進化的策略，不是用於自組裝，而是用於重新組態，以將機器人形狀從一種組態變為另一種組態。此外，Proteo 展示了它在模擬方面的能力，而不是在物理實現方面，而且它沒有實現自組裝或者自我構建的方法。

本報告涵蓋的所有例子，在成功連接模塊方面都存在限制。通常，兩個不同的組件其中一個需要被固定到確定的位置，或者這兩個組件都參與組裝過程，這使得實體增大或者說生長的實際質量變得難以判斷。此外，生長的粒度也無法調整，最小的生長幅度是由模塊大小預定義的（離散過程）。該集群顯然不是真正的生長，但這是過去幾年來此類人工模擬過程中最接近生長、最成功的。

圖片來源：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full#B41

4.3. 生物有機體啟發的機器人

包含於這一類的機器人受到整個生物有機體所採用的生長策略的啟發，無論簡單還是複雜，例如動物，真菌和植物。與細胞生長機器人中通過多個模塊相互連接來模擬細胞組裝的方式不同，有機體啟發的機器人主要是能夠在其身體的特定區域增量添加材料的單模塊系統。

4.3.1

Sadeghi等（2014）開發了一種機器設備，該裝置模仿植物採用的尖端生長，能夠通過尖端處的惰性細絲垂直穿透土壤。這項開創性工作的後續成果，是創建了一個能夠建立自己身體結構的植物根類機器人（Sadeghi 等，2017）（圖6A）。機器人根部在其尖端內部放置一台微型 3D 印表機，並使用熱塑性長絲列印材料構建穩定的中空體，融合材料層，使其彼此聚合併固化，以鞏固結構（FDM 熔融沉積成型法）。通過在機器人兩側沉積不同量的列印材料，便能導致兩側的差異化生長，以實現系統彎曲。尖端嵌入的感測器和一個具有生物敏感行為的控制單元能夠驅動根尖後部的材料變化，從而驅動生長方向，使其能夠跟蹤吸引物或避免排斥物（Sadeghi等，2016）。這項工作通過將增材製造技術集成到機器人機體內部，代表了自我構建機器人的第一個物理解決方案。

4.3.2

Wang 等（2014）也提出採用熱塑性材料，並開發了一種蜘蛛狀機器人。在這個案例中，機器人釋放熱塑性材料來創建一條「絲」。然而，這些連續的細絲不能被視為機器人身體的組成部分，因為它是在運動中使用的外部部件，而並未導致形態上的改變。

4.3.3

利用生物體中身體伸長的概念，如真菌菌絲，神經元或花粉管的生長策略，Hawkes 等（2017）實現了一種通過加壓室進行表皮外翻以伸長自己身體的系統。該系統可以通過單獨控制每個室的加壓，來從頭部伸長其身體，系統可以彎曲，以進行由視覺處理控制器操控的地面環境導航（圖6B）。皮膚沿路有固定的夾扣機制，通過該機制可以實現較高的壓力釋放，從而能夠在相對的一側彎曲。

上面的例子中主要的限制均來源於可用材料的數量。這意味著增長的能力依賴於提供物質資源給個體的庫。

圖片來源：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full#B41

5. 討論與結論

本文介紹了生長機器人的歷史演變。我們對這類機器人提出了定義：通過添加材料，這些機器人物理地演化它們人工建造的身體。這個原則代表了許多科學家和工程師的夢想，機器人領域也已提出過不同的實現方法。理想情況下，從長遠的角度來看，生長機器人應該能夠基於環境中的可用元素，自行構建自己的結構、升級自己的功能，這將使它們完全獨立於外部資源庫或人類的干預。

5.1 細胞機器人解決方案

目前已知的解決方案中還沒有一個利用環境資源，但是細胞機器人領域，通過能夠自組裝的模塊化機器人（能夠自主地與彼此產生連接的模塊），代表了實現該目標的第一次嘗試。這項研究導致物理連接的技術在機械方面得到提升，也導致了在模板匹配，組態選擇與路徑規劃等任務上演算法為中心的方法，以減少重組態的時間，並優化特定任務中的模塊排列結構。生長的概念已經擴展到更廣泛的形態演變，在這些機器人中，通常通過模塊的自組裝和重新排列來達成。

5.2 植物仿生機器人解決方案

受自然界啟發，植物伸長組織的生長也已經在機器人中模擬，其做法是將人造表皮從管狀體的內部向外部翻轉（Sadeghi 等，2013），或通過加壓室將表皮從內向外壓出（Hawkes 等，2017），由此獲得快速生長和彎曲的能力。本文還討論了一種新方法，繼細胞機器人後，該方法造出了第一個能夠通過利用熱塑性材料構建自己結構的機器人（Sadeghi 等，2017）。這個機器人能夠操縱材料，改變材料特性，並沉積材料以建立一個可以被認為是溝通渠道的管狀結構。這樣的管狀結構這在救援應用中尤其有用，可用於提供氧氣和水，或傳遞其他機器人，攝像頭或感測器。這樣的結構也很容易為機器人提供生長過程中必需的新原料和能源。

文中列舉的仿生機器人的例子，與分子機器人和細胞機器人相比，具有更精細的生長粒度。在以生物個體為基礎的生長機器人中，生長的最小量不需由模塊的大小決定，而是能夠通過改變 3D 列印的長絲材料供給速度（Sadeghi 等，2017）或是加壓艙的壓力（Hawkes 等，2017）來調整生長過程。這樣，模擬生長的過程中就不再需要技術複雜而且昂貴的模塊。

這個類別提出的兩種機制有各自的優缺點。在植物仿生機器人中利用增材製造使得我們能夠探測除地面場景以外的土壤和非結構化環境，而利用充氣機制，相對於增材製造的 FDM 技術可以獲得更快的生長速度，使得機器人能夠在地上環境中快速反應。在採用材料沉積的繪圖策略時，該過程可能非常緩慢，不過這能夠通過一些方法，如改變列印技術（例如整個區域的投影），或使用具有不同結合機制的材料，如以水凝膠為例的化學鍵。然而，就快速生長這一點來說，當機器人運行的環境中有高阻抗（如土壤中）或高度損壞風險（如不穩定結構或人體組織），一個更加緩慢的生長過程或許更合適。

5.3 技術局限與發展方向

然而，生長機器人的物理實現，仍然受限於目前在模擬細胞分裂與吸收環境資源這些機制上的技術難題。

自我癒合是自然組織帶有的一種特性，它允許重建死亡或受損的組織，也是生長機器人的理想功能之一。自我癒合的概念常常與「自我修復」這個更強調實用性的概念混淆，在機器人中與冗餘和重組態等功能一起實現（Murata 等，2001）。近來，從材料學的角度，也探索了實現這個概念的方法（Wool，2008；Hager 等，2010；Yang & Urban，2013）。在軟機器人學中，自修復材料已被用作氣動制動器（如人工肌肉）和軟手，在被銳利物品損壞後，這些結構能通過熱可逆的 Diels – Alder 反應，重新建立交聯鍵和（Terryn 等，2017）。除此之外，目前也有正在進行的研究，通過模擬材料微結構，實現動態調整形狀（如通過使用水凝膠）（Gladman 等，2016）。

組織工程和合成生物學（Cheng & Lu，2012）可以為經典工程提供補充方法。實際上，在合成生物學中，目標就是構建新的生物系統，途徑可以是（I）降低一個已有系統的複雜性，通過設計、合成或重新組合DNA以保留基本的、期望的功能（又稱「自上而下」的方法）（Gibson 等，2008，2010），或（II）用基本單元構建一個新的系統（又稱「自下而上」的方法）（Schwille，2011）。這種方法的成果包括由合成DNA開關組成的體外可編程電路（Gardner等，2000；Kim等，2005，2006），用於培育人造骨骼的合成聚合體支架（Song 等，2004），以及由天然肌肉合成的生物混合材料驅動的驅動器（Feinberg 等，2007）。這從而表明合成生物學能夠為人工自組裝和自我複製系統提供有用的工具。將這些工具與人造組織、功能化、自愈性能與自建機器人的概念結合起來，或許便能代表新一代生長機器人的正確研究方向。

5.4 生長機器人的優點

生長機器人在非結構化環境中尤其有用，特別是當環境中的任務與限制無法預知時的搜索與救援應用。從長遠角度來看，可以設想一種機器人，以最簡單的組態放入任務環境，然後能夠利用環境中可用的材料自行構建——它能夠增加並調整自己的結構，以完成所需的任務。這對於空間有限的探索性應用尤其有利，因為這樣的生長機器人會佔用更少的空間。另外，就成本而言，發送一個能夠自行構建其結構的單個單元比發送一組模塊所要花費的價格更低。

翻譯：青子，審校：Dr.gaster，張振宇

原文：https://www.frontiersin.org/articles/10.3389/frobt.2018.00016/full

推薦閱讀

馮·諾依曼：探尋計算的「原力」

前言綜述：關係數據的結構發現

論文解讀：複雜網路的多尺度動態嵌入技術

學術動態：幾何深度學習前沿

加入集智，一起複雜！集智俱樂部團隊招新啦！

集智QQ群｜292641157

◆ ◆ ◆

搜索公眾號：集智俱樂部

加入「沒有圍牆的研究所」

http://weixin.qq.com/r/NDsxKXDEti3JrTRK924m (二維碼自動識別)