这项突破性成果解决了一个根本难题，这个难题长期困扰着机器人材料领域的科学家：要让材料既能够坚硬地支撑负载，又能够在需要的时候流动重组。
这项研究的灵感源自对胚胎组织物理特性的研究。活胚胎组织被视为自然界中的终极智能材料。它们具备自我塑形的能力。它们具备自我修复的能力。它们还能在空间上精确控制材料强度。它们也能在时间上精确控制材料强度。
坎帕斯在加州大学圣塔芭芭拉分校工作时，他的实验室有了发现。胚胎能够像玻璃那样“熔化”，从而塑造自身。为了实现自我塑形，胚胎中的细胞能够让组织在流体状态和固体状态之间进行切换，而这是物理学中被称作刚度转变（rigidity transitions）的一种现象。
在胚胎发育期间，细胞具备一种极为奇特的能力。它们能够相互进行排列和组织。通过这种方式，能将生物体从由一团未分化细胞构成的状态，转变为拥有不同形状（像手和脚那样）以及不同硬度（像骨骼和大脑那样）的复杂结构。实现这些刚度转变的背后有三个关键的生物学过程。其一，发育中的细胞会对彼此施加主动力，从而能够相互移动；其二，生化信号能够让细胞在空间和时间上协调这些运动；其三，细胞间的粘附最终会给生物体提供凝聚力和刚度。
研究人员将这些生物学原理转化为机器人技术，他们在每个机器人单元中融入了一些关键过程，这些关键过程用于控制细胞间的相互作用，包括波动的单元间切向力、极性和粘附。
图展示了将关键的细胞行为进行编码并转化为机器人集群的情况（来源：Science）
每个机器人单元形似小型曲棍球冰球，其直径约为 5 厘米。研究人员在每个单元的周边安装了八个电动齿轮，并且每个齿轮仅有一小部分齿显露在外。当两个单元相互接触时，这些齿轮的相对运动能够产生切向力，这种切向力类似于细胞连接处的张力，同时这些力的大小以及波动特性都能够被独立地进行调节。
研究人员之前观察到，活胚胎中细胞产生的力存在波动，而这种力的波动对于将固态组织转变为流态是非常重要的。基于这一发现，他们在机器人单元里对力的波动特性进行了编码，这样机器人单元就能够模拟生物组织的这一关键特性。
研究人员为模拟细胞对生化信号的响应，在每个机器人单元上安装了光传感器，且该传感器带有偏振滤镜。光照射到这些传感器上后，光的偏振方向能够告知机器人单元应朝哪个方向旋转其齿轮，以此来改变形状。
这种设计让研究人员可以借助恒定的光场，一次性引导所有单元朝着特定的方向进行排列，并且能够协调地完成各种所需的任务。
研究人员在机器人单元的周边嵌入了可旋转的磁铁，这些磁铁具有能使机器人单元相互吸引的作用，从而让机器人单元形成凝聚力，进而实现细胞间的粘附。
他们首先对最小的机器人构建模块进行了测试。这些构建模块包括“4-block”，它由四个极化的单元构建块组成；还包括“3-block”，它由具有随机极化的最小三单元构建块组成。通过对单元间的平均切向力和力波动幅度进行控制，他们能够掌控这些基本构建模块的形状变化和强度特性。
研究人员发现，引入力波动能够带来显著效果，即可以降低单元重排所需的平均功率。这一发现对于设计那些可能需要在有限功率预算下运行的机器人而言，是非常重要的。
图显示，重新排列会让机器人集体的基本“构件”的形状和强度发生改变。（来源：Science）
当扩展到更大规模的机器人集群时，实验中约 20 个单元，模拟中约 400 个单元。研究人员观察到，当机器人集群极化且单元间力对齐，集群会沿着指定轴向延伸，这类似于活组织中的“收敛延伸”过程。如果在延伸过程中改变偏振方向，集群会动态调整并沿新方向延伸。
此外，通过对空间上单元间力进行控制，能够只促使集群特定部分进行延伸，并且让其余部分保持不动。研究人员还发现，单元重排的数量以及速率与力的波动幅度有着紧密的关联，这种关联有助于集群的延伸。
图展示了从基本构件到机器人集体的过程：将形状和强度控制拓展到多单元集体。（来源：Science）
这种独特的控制机制让该机器人集群展现出了多种能力，并且这些能力是前所未有的。
首先是结构形成能力，集群能够通过在空间和时间上控制力波动以及单元的极化，实现局部软化并形成支柱，最终合并成拱形结构。一旦停止力波动，拱门就会变得坚硬，从而能够承受较大的负荷。此外，集群还展示出自我修复能力，这种能力类似于活组织的伤口愈合，通过局部流体化过程可以闭合结构中的缺陷。
集群具有重要的物体操纵能力。集群可以通过对自身形状和强度进行复杂的时空调整，从而对物体施加力，把物体精确地移动到目标位置。该课题组还展示了集群重塑自身形成“工具”的能力，比如让集群围绕物体流动然后使其刚性化，这样就创建了一个可以用来旋转物体的自定义“扳手”。
其最为核心的是自适应支撑能力。实验表明，集群能够支撑一个约 700 牛顿的人，这比单个机器人单元 1.3 牛顿的自重超出 500 多倍，并且在自身重量下还能流动变形。这种既能提供强大支撑又能自由流动的特性，充分表明了它作为结构材料的潜力。
图丨机器人材料“行为演示”（来源：Science）
值得注意的是，这种控制方式有高能效的优点。研究人员收集机器人行为数据后，观察到这些机器人在变形时不需要消耗过多能量。对于未来需在能源受限环境下工作的机器人系统来说，这无疑是个重要优势。
目前，这个概念验证的机器人集群是由 20 个相对较大的单元构成的。不过，由前坎帕斯实验室博士后研究员、现瑞士洛桑联邦理工学院助理教授 Sangwoo Kim 所进行的模拟显示，该系统能够扩展到包含更多微型化的单元，从而实现更接近材料的特性。
把这些机器人集群和机器学习相融合，有希望开启更为复杂、智能且超乎预料的“涌现”行为，使机器人材料能够自主地学习并适应环境，还能执行任务。
它除了能在机器人学方面发挥作用外，还能为“活性物质”物理学中相变和集体行为的研究提供理想且高度可控的实验平台，能为颗粒系统力学特性的研究提供这样的平台。同时，它也有可能为生物学研究提供新视角和可供验证的物理模型，比如有助于理解组织发育、细胞集体迁移等复杂生命过程。
参考资料：
1.
2.
运营/排版：何晨龙
