給一個活體生物軀體注入機器的“大腦”，然后人為控制該生物的行為，已經(jīng)從科幻片走入現(xiàn)實世界。
并聯(lián)方式的分揀機器人有什么優(yōu)勢全自動無人分揀機器人垃圾分揀機器人供應商近日，國際機器人學術(shù)頂刊ScienceRobotics上最新發(fā)表的一篇新論文，描述了一種用機器視覺、運動控制和導航等算法取代線蟲大腦、精密操控活體線蟲運動的新方法，創(chuàng)造出一個不受束縛的、高度可控的微型軟體機器人，并將其命名為RoboWorm。
該論文題目為《通過光遺傳運動控制秀麗隱桿線蟲，實現(xiàn)活的微型軟體機器人》（TowardalivingsoftmicrorobotthroughoptogeneticlocomotioncontrolofCaenorhabditiselegans），由加拿大多倫多大學機械與工業(yè)化學院與Lunenfeld-Tanenbaum研究所合作完成。
“生物本身即最完美的機器人。”論文第一作者董先科博士告訴智東西，從機器人學的角度，這一研究相當于做了一個微米尺度的蛇形機器人，只不過用了生物本身的肌肉細胞作為執(zhí)行器，這使得微型機器人變得更加靈巧，也更像真正意義上的機器人。
01.破解微型機器人的運動控制技術(shù)瓶頸
學習自然生物的運動是設計微型機器人最有效的策略之一。得益于數(shù)百萬年的進化，生物們發(fā)展了復雜的身體結(jié)構(gòu)、高效的能量流動和先進的運動控制系統(tǒng)，這些系統(tǒng)超過了任何人造機器。這些生物的特性，為各種微型機器人的設計提供了巨大的靈感。
微型機器人領域在MEMS技術(shù)以及光刻蝕技術(shù)的迭代之下，近十年來有長足的發(fā)展，并逐步在靶向給藥、測量細胞器模量、輔助精子移動人工受孕等場景嘗試應用。然而，與自然模型相比，生物啟發(fā)的微型機器人的結(jié)構(gòu)通常被大幅簡化，以促進微型機器人的制造和驅(qū)動。
因此，這種微型機器人的性能無法與生物體相提并論。人類若想真正制造尺寸在數(shù)百微米乃至數(shù)微米的受控微型機器人，目前條件下，仍然存在諸多技術(shù)瓶頸。比如在工藝方面，主要瓶頸在于如何制造裝和配微型機器人，如何給這么小的機器人供能。
在原理瓶頸方面，微米環(huán)境里粘滯力和摩擦力比重力大幾個數(shù)量級，用什么結(jié)構(gòu)驅(qū)動微型機器人運動，以完成既定任務。在控制方面，如何測量微型機器人的運動，構(gòu)成閉環(huán)，如何對這么小的機器人實現(xiàn)精密控制等等，都是當前研究面臨的挑戰(zhàn)。現(xiàn)階段學術(shù)界開發(fā)的微型機器人構(gòu)造相對簡單，多為簡單的、能直接用光刻蝕技術(shù)加工的微結(jié)構(gòu)體，如微納米磁塊、微米螺旋體、微米管等。操控性和功能大都比較有限。
而如果結(jié)構(gòu)過于復雜，在微米尺度下，它們即使能夠加工出來也很難裝配。針對這些瓶頸問題，此次在ScienceRobotics上發(fā)表的新論文，提出了一種相當有“腦洞”的解決方案：用機器視覺、運動控制和導航算法替代生物的大腦，重構(gòu)生物的感官運動系統(tǒng)，人為控制活體生物的運動，直接將微米級生物開發(fā)為受控微型機器人，以完成微米環(huán)境下的特定任務。
02.結(jié)合機器視覺算法，精密控制活體線蟲這項研究選擇的生物對象是秀麗隱桿線蟲。秀麗隱桿線蟲是生物學中唯一一個神經(jīng)元連接映射圖被完全揭示的模型生物，身體透明，成年體長度約1毫米，寬度約80微米，身體里一共302個神經(jīng)元。關于秀麗隱桿線蟲的研究分別在年產(chǎn)生了三個諾貝爾獎。
作為一種軟體生物，線蟲的身體每個地方都能彎曲，擁有無限自由度。近年來，隨著人工神經(jīng)網(wǎng)絡的發(fā)展，人們對生物本體的神經(jīng)系統(tǒng)信號傳遞處理的機理剖析有更迫切的需求。秀麗隱桿線蟲也成為神經(jīng)生物學甚至人工智能學科的研究熱點之一。通過一系列生物化學以及工程手段，該研究將活的線蟲變成了可以人為精密控制的微型機器人。
閃兔分揀機器人首先，研究者用化學方法阻斷了線蟲的運動神經(jīng)元與肌肉細胞組的信息傳遞，將線蟲的神經(jīng)系統(tǒng)暫時麻醉，使得現(xiàn)場仍然是活的，但它的大腦無法向肌肉傳達運動指令，即無法控制自身運動。
然后，通過機器視覺算法實時分析線蟲的形態(tài)和周圍的環(huán)境，分析結(jié)果，在進一步建模和控制算法綜合之后，用光遺傳學的方法，操縱微米激光束精密協(xié)調(diào)控制肌肉細胞組群的活動，實現(xiàn)線蟲整體的閉環(huán)運動控制。從而用算法取代線蟲的“大腦”，重構(gòu)線蟲感官運動系統(tǒng)對身體的控制。
具體而言，考慮到照明光強、顯微鏡聚焦狀態(tài)、蟲子大小等干擾因素，研究人員采集了幾千張自然狀態(tài)的蟲子連續(xù)爬行的照片，在此基礎上設計機器視覺算法。據(jù)董先科介紹，該算法在普通的筆記本電腦上也能實現(xiàn)50fps的速度，相關代碼已公開。
然后，控制算法會根據(jù)機器視覺算法測量的物理狀態(tài)，計算當前時刻需要用多大的激光強度，來激活或抑制哪組肌肉細胞，從而操縱線蟲向設定的位置移動。為了精密的協(xié)調(diào)控制肌肉收縮，需要激光束有細胞級的精度。為此，研究人員改裝了一臺倒置顯微鏡，并且在上面搭建了一個激光投影系統(tǒng)。
分揀機器人的種類該系統(tǒng)用數(shù)字微型器件DMD反射473nm的藍色激光束，搭建一些光學元件讓激光束透過顯微鏡物鏡縮小上百倍，然后聚焦在線蟲身上，最后通過給DMD編程來控制激活或抑制哪些肌肉細胞。目前這個系統(tǒng)能夠達到3微米的投影精度，基本可以實現(xiàn)對單個肌肉細胞的光遺傳學操控。
研究者在這種人為改造的活體機器人上，設計算法實現(xiàn)了線蟲在自然狀態(tài)下被觀察到的所有五種運動模式，并賦予了自然狀態(tài)下線蟲沒有的“全局視覺”：通過運動控制和導航算法，精密操縱線蟲機器人避障，一次性通過迷宮。
03.為新型蛇形機器人研究提供新思路
論文第一作者董先科是一位90后青年學者，2012年在哈爾濱工業(yè)大學航天學院自動化專業(yè)完成本科學習，2014-2019年在加拿大麥吉爾大學機械工程系獲得博士學位，主攻機器視覺、微型機器人，以及機器人精密操作研究方向。自2019年至今，董先科在加拿大多倫多一家科技公司任算法研發(fā)工程師，負責嵌入式高幀率目光跟蹤系統(tǒng)的算法開發(fā)，以及在醫(yī)療AR和輔助駕駛場景的應用。此前他曾以第一作者身份獲得機器人領域頂級學術(shù)會議ICRA2015的最佳會議論文提名獎和最佳自動化論文提名獎。
他介紹道，微米環(huán)境下，由于物理定律的尺度縮小效應，粘滯力和摩擦力比重力要大幾個數(shù)量級。因此微米環(huán)境下的自主運動模式，比如細菌的鞭毛運動、精子的游泳運動、線蟲的蛇形運動等，與日常宏觀運動模式有很大區(qū)別。生物擁有靈巧的身體和對環(huán)境的高度適應，具有可靠和高效的天然屬性。將微米環(huán)境里生活的生物改造為微型機器人，是微型機器人領域的全新思路，也對日后人造微型機器人提供了前瞻性研究。
目前廣義蛇形機器人的開發(fā)往往將其等價為串聯(lián)桿件模型，用拉格朗日方程進行剛體建模。但這種傳統(tǒng)方法忽略了機器人和環(huán)境復雜的力學交互，因此蛇形機器人運動速度和效率往往不高。本文通過建模仿真以及一系列實驗，揭示了線蟲在蛇形運動過程中肌肉的活性部位與身體的曲率之間存在相位差，并從理論和實驗兩方面驗證了此相位差是驅(qū)動線蟲蛇形爬行的運動模式的原因。該成果對新型蛇形機器人的設計建模與控制有重要的指導意義。
最后，本文示范了用微米激光束精密操控肌肉細胞活性的實驗。此方法對其他生物癱瘓疾病的治療也有啟示意義。在這項研究中，研究團隊做了很多基礎的動力學研究，研究微米下的“蛇”如何爬動。也許將來某一天能以此為基礎，做出人造的微米蛇形機器人，將之放到人的血管或者消化道里為人治病。
董先科說，他接下來的研究計劃是進一步設計尺寸稍大的人造蛇形機器人，然后用現(xiàn)在做出來的模型進行控制，因為更多地考慮到了機器人和環(huán)境的力學交互，預想可能提升很多方面的性能。另一方面，這個線蟲機器人可以作為一個研究線蟲神經(jīng)學的極佳平臺，比如研究這個只有302個神經(jīng)元的模型生物有沒有習慣性記憶，或者怎么構(gòu)成習慣性記憶。據(jù)他透露，有一些與線蟲生物學家合作的課題正在開展。
04.結(jié)語：或啟發(fā)線蟲神經(jīng)學及微型機器人相關研究
快遞分揀機器人缺點由于生物神經(jīng)系統(tǒng)的工程或重新設計具有挑戰(zhàn)性，再加上缺乏準確描述生物行為的生物力學模型，大多數(shù)生物混合微型機器人的設計僅涉及簡單的生物組件，不具備在運動期間協(xié)調(diào)這些驅(qū)動組件的身體級智能。總體來看，這項將活線蟲轉(zhuǎn)化為微型軟體機器人的新研究，為秀麗隱桿線蟲及其他線蟲的神經(jīng)學研究提供了一個極佳的平臺，亦對微米尺度下機器人的開發(fā)亦提供了開創(chuàng)性的思路。結(jié)合肌肉活性的熒光成像，該研究還對微米尺度下蛇形運動的動力學研究有示范意義。
顏色分揀機器人程序高速分揀機器人哪家有實力現(xiàn)代分揀機器人的分揀方向