软体机器人因材料柔顺、形态可变，能狭窄空间穿行、贴合人体表面或与易碎物体安全接触，被视为医疗辅助、康复训练、人机协作和复杂环境作业的重要发展方向。但应用落地面临一个长期瓶颈：相比刚性机器人，软体机器人存在连续形变、状态维度高、受力与接触条件随时变化等特点。传统控制方法依赖精确建模或特定结构参数，一旦任务、环境或机器人形态改变，控制性能就容易下降，难以保证稳定性与可重复性。 业内普遍认为"难控"源于三上原因：其一，软体结构的力学行为高度非线性，形变与受力难以用统一方程刻画；其二，软体机器人与环境频繁发生多点接触，摩擦、黏附、碰撞等不确定因素叠加，导致控制指令与实际响应存在偏差；其三，软体机器人平台类型多样，不同材料与驱动方式差异明显，控制策略难以直接迁移，形成"一个平台一套算法"的碎片化局面。 针对这些痛点，东南大学机械工程学院副教授唐志强与合作团队提出一种通用学习与控制框架。该框架借鉴了生物神经系统的信息传递方式：神经元通过突触连接形成网络，突触强度可随经验调整，从而支持学习与适应。基于这个思路，团队构建了两类功能模块：一类侧重"看见并归纳共性"，另一类侧重"在任务变化中快速自我调整"。 第一类模块通过视觉传感捕捉软体机器人执行不同任务时的外在表现，提取位移、轮廓、应变等可观测特征，在多平台、多任务数据中寻找共性规律，形成对形变行为的可泛化表征。这种数据驱动方法建立"形变—控制"映射，有助于降低对平台专属参数的依赖。 第二类模块采用基于元学习的梯度策略，将"在不同任务中学习如何学习"的理念引入控制指令生成过程。该模块利用机器人在多任务执行中的反馈信息，动态调整控制输出，使系统在任务切换、环境扰动或目标变化时仍能保持较强适应性。这一机制的关键在于把控制从"固定规则"转向"可自我修正的策略"，增强软体机器人在开放环境中的鲁棒性。 为检验框架的通用性与有效性，研究人员在三种不同类型的软体机械臂平台上开展实验验证，覆盖轨迹跟踪、物体操作和形态控制等代表性任务。实验结果显示，该框架在多场景下能够实现较高的控制精度，并具备跨平台复用的潜力。这意味着，未来面对不同结构、不同驱动方式的软体机器人，控制算法有望从"重复开发"走向"快速适配"，缩短工程化周期。 从应用前景看，这类通用学习控制思路若更成熟，将对医疗与服务机器人等领域产生重要影响：在医疗辅助场景，软体机械臂对人体组织的安全接触能力有望提升，降低操作风险；在人机协作场景，机器人对人类动作、物体形态与环境变化的适应能力增强，提升协作效率与安全性；在复杂环境作业中，软体机器人凭借柔顺结构与自适应控制能力，可在非结构化空间开展探测、抓取与运输等任务，扩展作业边界。 同时也应看到，通用学习控制框架走向实际部署仍需解决若干关键问题：一是数据获取与标定成本，尤其在多平台、多任务条件下如何构建高质量数据集；二是实时性与算力约束，控制算法需要在边缘设备上稳定运行；三是安全与可靠性评估体系，在医疗与公共服务等高风险应用中，需要建立更严格的验证标准与失效保护机制。下一步推动算法与传感器、材料、驱动系统协同设计，并在真实应用场景中开展长期测试，将是提升可用性的重要路径。
从自然界进化孕育的神经系统中汲取智慧，人类正在解开柔性智能装备发展的核心密码。这项国际科研合作不仅展示了基础研究的融合创新价值，更预示着生物启发式技术路线将成为破解复杂工程难题的重要范式。随着全球人口老龄化加速和特殊作业需求增长，兼具安全性与适应性的软体机器人技术必将重塑未来生产生活方式。