美国计算机社区联盟发布新版机器人路线图

（一）机器人是智能的物理具身

1. 软体机器人

软体机器人这一新兴领域旨在设计、制造和控制机器人系统，这些机器人系统采用软材料和结构，利用形态学计算优势来简化它们与世界的交互。然而，与刚性机器人相比，软体机器人需要更复杂的材料及制造、建模和控制方法。为了制造符合人类需求的软体机器人需要采用新的方法，这恰巧为人们提供使用新设计和制造方法的机会，例如生成式设计、多材料增材制造等。

2. 驱动和动力

为机器人提供高效、稳定、低成本的驱动和动力系统是一项持续的研究挑战。动物的肌肉和新陈代谢经常被作为黄金标准，而工程系统尚未达到这一标准。目前，机器人的驱动系统有电磁驱动系统、液压驱动系统、气动驱动系统，它们适用于不同类型的机器人，同时有各自的局限性。例如，电磁驱动系统适用于传统刚性机器人，功重比有待提高；液压驱动系统适用于对功率要求高的系统，但在移动机器人系统中的应用受到限制；气动驱动系统适用于软体机器人，但控制精度、动力源便携性等方面面临研究挑战。智能材料，包括电活性聚合物和液压放大自愈静电（Hasel）软体驱动器，在提高功重比方面较具前景，但需要配备专用电源。驱动技术和动力存储/输送系统方面的新突破对机器人技术实现预期性能指标将起到重要作用。

3. 传感

传感对于所有机器人来说都是一个关键挑战，尤其是对于软体机器人来说。柔性和软体传感器在使人们更丰富地了解软体机器人如何移动及与世界互动更具潜力。这一目标的实现需要在传感器与软体机器人集成方面进行更多的努力。

（二）操纵

目前的机器人操纵器成本高且通用性差，需要一系列多年的研究努力来解决。首要任务是开发先进的抓取技术，可以利用仿生学和软体机器人的概念来制造多功能抓取机械装置。先进抓取技术的进步涉及深入理解自然界的复杂性、探索新材料、以及以功能为导向的非传统夹持器设计。其次，开发先进的触觉感知技术，为机器人操纵器配备可以提供实时反馈的触觉传感器，从而显著提高抓取的精度和可靠性。还有，开发基于学习的控制策略，通过应用机器学习技术使机器人能够自适应地控制操纵任务并通过试错学习新技能，从而提高机器人系统的多功能性和效率。

在人机协作领域，研究开发协作机器人系统使机器人与人类能够在共享工作空间中和平共处。这将涉及自然语言处理、手势识别等技术，以及人机交互安全机制研究。在复杂环境中的灵巧操纵领域，增强机器人系统操纵能力以适应杂乱和动态的环境。这将涉及开发用于路径规划和避障的先进算法、探索多模态传感技术集成（例如，视觉、触觉、压力等）。

值得关注的是，规划和控制的基础算法仍然是机器人操纵技术研究的重点。为实现机器人操纵任务的高度自主性，需要制定技术路线。这项工作的重点是开发算法以实现自主决策和任务规划，以及制定动态抓取和操纵策略以适应不可预见的挑战。

（三）感知

感知技术是将机器人与物理世界连接起来的关键方式，涉及从传感器获取并解释数据。目前，计算机视觉通常被视为主要的机器人感知方式，触觉技术在过去十年取得了更多的进步。为推进机器人技术发展，感知技术方面需要取得六个关键方向的进展：（1）复杂的高维推理；（2）网络安全和计算机视觉；（3）主动感知；（4）开放世界性能（Open-world Performance），即在新环境和任务中实现泛化；（5）视觉与其他系统集成；（6）系统结构，突破可靠性限制。

（四）控制

机器人控制技术主要涉及方面：（1）安全控制，主要包括将安全控制器设计扩展到高度非线性机器人系统、高维系统、多机器人系统、人机交互循环系统中，并确保此类控制器的实时性能；（2）仿生控制，生物学为机器人和复杂系统控制器设计提供了巨大的灵感，未来研发工作需要探索控制器设计的新生物学机制，为机器人研究界构建大规模数据集，提取信息以进行严格的控制器设计，考虑机器人传感器、执行器和通信系统的局限性等；（3）高维和不连续系统的控制，机器人系统的自由度高且部署在复杂的环境中，未来需要探索混合系统的控制器综合方法，以实现机器人在实际应用中的成功部署；（4）机器人机械装置、控制和学习的协同开发，未来机器人需要材料选择、机械设计、控制器设计、学习、感知和测试之间的协同，以便机器人的整体性能是最优的并为真实世界的任务做好准备。

（五）规划

随着机器人从实验室走进现实世界，它们将持续需要规划和控制算法以更好地应对非结构化、不可预测和更复杂的环境。具体包括：（1）不确定情况下的规划，需要优先考虑概率方法和不依赖于准确的高保真模型的方法；（2）人机交互情况下的安全规划，需要开发更复杂的规划器，能够在保证安全的情况下建模和处理人类的不确定性；（3）操纵和全身规划，需要新的算法以及与新算法匹配的硬件。

（六）边缘人工智能

人工智能在推动机器人技术发展方面发挥了重要作用，但对算力要求很高。边缘人工智能能够将计算从云端转移到设备端，需要克服八方面挑战：（1）能源效率和自主性，（2）实时处理和减少延迟，（3）硬件-软件协同设计，（4）鲁棒感知和态势感知，（5）适应性和持续学习，（6）隐私保护和安全，（7）边缘-云协作和资源管理，（8）操作性和标准化。

（七）机器学习

深度学习已有效用于改善机器视觉，深度强化学习也已用于机器人各级别的控制。近期，基础模型的爆炸式增长推动了AI的进步，并引发了关于基础模型在未来机器人中的作用的激烈讨论。由于基础模型依赖海量的数据，AI界一部分人认为，一旦拥有了与真实机器人体验类似的真正多模态数据所训练的模型，机器人控制就会从这些模型中产生。由于机器人需要的数据很难理解，AI界一部分人认为模拟可能是应对这一挑战的有效方法。此外，机器人系统在使用机器学习尤其是深度学习时需要可解释，取得人们的信任。

（八）人机交互

人机交互主要涉及三类机器人：（1）协作机器人（人机物理交互），这类机器人是一种在共享工作空间中与人类一起工作的机器人，以提高工作效率，需要具有安全、灵活、紧凑、易于使用等特点；（2）社交陪伴机器人（社交人机交互），这类机器人需要与人类进行沟通交流，发挥人类同伴的作用，目前仍面临多模式通信、对用户的理解等方面的挑战；（3）“中介”机器人，与协作机器人和社交陪伴机器人不同，这类机器人充当“媒介”角色，允许用户远程操作或使用机器人设备扩展人类的能力，例如远程手术、远程操作机器人在太空中展开探索活动等，面临为用户提供能够精确感知机器人周围环境的界面、触觉反馈等方面的挑战。

该路线图为美国机器人技术发展提出了六条建议：（1）机器人技术将改变社会，并可能在未来十年内变得像如今的计算技术一样无处不在。美国政府应该将机器人技术再次确定为国家优先事项。（2）机器人技术的研发、创新和应用需要联邦机构间的协作，同时需要产业界、学术界和政府三方的整体愿景。（3）美国应该重振国会机器人核心小组的活力，以确保各级活动有序开展。（4）统一各机构的资助项目，使研究人员、开发人员和企业家更易获得这些资助机会。（5）考虑建立机制以提升美国产业的跨地区和国家竞争力。（6）提高对劳动力培训的关注度，以解决劳动力短缺问题并确保适应新技术。