機器人是一門不斷發(fā)展的學科。從制造到醫(yī)療機器人，應用五花八門，靈感可以來自任何地方。讓我們看看機器人領域的五項突破性創(chuàng)新。

1.細胞大小的可注射微型機器人

這些微小的蟲形機器人只有70微米長(一微米=千分之一毫米)，可能不是有史以來最小的機器人，但這不是重點。 Marc Miskin與康奈爾大學的同事共同開發(fā)了這種微型機器人，這種尺寸具有特別重要的意義，因為它大致相當于人體細胞的大小。 “在這方面，重要的不僅僅是小。”Miskin解釋道，“之所以很特別，因為我們可以在生物學的基礎上建造機器人?！?/p>

機器人也足夠頑強，能夠在惡劣的環(huán)境中生存，開啟了令人興奮的醫(yī)療可能性：它們可以注入體內。一旦到達那里，它們就可以比普通設備更容易地進入狹窄的地方，并且損壞組織的風險要小得多。

這些微型機器人沒有內置電池。相反，每個由四個微小的太陽能電池驅動，每條腿上有一個。腿的厚度不超過一百個原子，由雙層鉑和鈦組成。當激光照射在太陽能電池上時，鉑會膨脹，但鈦會保持剛性，導致腿部彎曲。因此，機器人可以依次刺激每條腿的太陽能電池來行走。

機器人的初始設計相對簡單，設計的下一次迭代將包括額外的功能，包括傳感器和控制器。它們也可能在身體外面有應用。 “我的團隊正處于開發(fā)機器人的早期階段，這些機器人可以生活在鋰離子電池內并清潔表面，使其更安全，使用壽命更長?！盡iskin說。

2.灰色粘液機器人

很多小型機器人的概念對于許多科幻迷來說都很熟悉，但不要擔心：由麻省理工學院和哥倫比亞大學的工程師開發(fā)的“粒子機器人”近期內不會創(chuàng)造《神秘博士》中的防毒面具。粒子機器人是“粒子”或單位的集合，沒有集中控制系統(tǒng)。

粒子機器人，或“灰色粘液”，模仿人體細胞的行為。單個細胞是不能移動的，但作為一個群體，它們可以移動。它們如何做到這一點?通過擴大和收縮。細胞松散地連接在一起，意味著每次膨脹和收縮都會推動和拉動它的鄰居，從而產生集體運動。在粒子機器人的情況下，每個單元周圍的連接由弱磁鐵提供。

在傳統(tǒng)的機器人中，單個部件的故障會使整個機器無法使用。在灰色粘性物質中，粒子不直接與任何其他粒子通信或依賴于任何其他粒子，這意味著單個部件的失效對整體功能的影響最小。事實上，研究人員發(fā)現(xiàn)，群集中五分之一的粒子可能會失效，整個群體仍然可以半速行進。

粒子機器人被設計為朝向光源行進。每個粒子使用其傳感器來測量光的強度：離光源越近，粒子看起來越亮。通過將這種強度廣播給他們的鄰居，粒子可以協(xié)調它們的膨脹并一起工作以朝著目標蠕動。

機器人的真正力量在于它的靈活性。由于它由一組通用單元組成，因此集體可以作為一個整體來適應各種任務。這意味著粒子可以改變它們的形狀以穿過障礙物或圍繞物體來運輸它。

3.折紙機器人抓手

機器人在執(zhí)行相同的重復性任務時非常出色。當涉及到拾取大量相同產品并將其放入包裝等任務時，機器人是理想的選擇。但你想要一個能夠拾取不同類型物體的機器人時，就會遇到麻煩。與人手不同，傳統(tǒng)的機器人抓取器需要精確地為它們抓取的物體設計，以確保它們能牢固地抓取。

哈佛大學和麻省理工學院的機器人專家李曙光開發(fā)了一種替代方案：一種柔軟的折紙式抓手，可以舉起各種各樣的物品。它的硅橡膠骨架覆蓋著乳膠皮。鐘形手降低到一個物體上，空氣被吸出皮膚，將骨架拉下折疊成折紙形狀。

手抓器巧妙地抓住物體，依靠褶皺皮膚的摩擦力將它們固定到位。由于它缺乏傳統(tǒng)機器人抓手的剛性，所以它可以在不損壞軟水果或玻璃等易碎物品的情況下抓住它們。手抓器還可以容納各種形狀和材料的物體，包括橡皮鴨、游戲手柄和噴壺。

4.后空翻小獵豹

2017年，我們看到波士頓動力公司的人形機器人Atlas從一個盒子上后空翻，穩(wěn)穩(wěn)著陸，然后舉起雙臂以示勝利。麻省理工學院也不甘示弱，研發(fā)了一款小型獵豹機器人Mini Cheetah，這種小型四足動物也能做后空翻。事實上，Mini Cheetah是第一個做后空翻的四足機器人。

對機器人來說，翻轉可能不是最有用的技能，但它確實展示了Mini Cheetah對環(huán)境做出反應的非凡能力。它可以在下落時雙腳著地，在被撞后不會跌倒，在向上走錯方向時也能自我糾正。它還可以顯示一系列動作，包括向前跑步，在移動時旋轉，以及稱為“內旋”的類似羚羊的彈跳。

5. Dactyl機械手

總部位于舊金山的人工智能研究機構OpenAI以完全不同的方式完成了機器人抓手的任務。 這款名為Dactyl的機械手基于人手，配有相機系統(tǒng)。 Dactyl使用來自攝像機的視覺輸入來評估手中的物體。

Dactyl使用神經網絡來學習如何操縱手中的對象：它通過大量數(shù)據(jù)“訓練”，直到能夠很好地識別模式以預測接下來會發(fā)生什么。 通過這種技術，它已經學會了如何將手中的玩具積木轉動，直到它與某個方向相匹配。

訓練機器人的棘手部分是模擬和現(xiàn)實之間的巨大差異。 模擬總是完美無瑕的，但現(xiàn)實可能很混亂：一方面，摩擦使情況變得更加復雜。 為了彌補這一點，OpenAI有意在他們?yōu)镈actyl提供的數(shù)據(jù)中引入了一定程度的隨機性，以增添一絲真實感。