2019年11月25日10点32分，软体ABB机器人属于一个新的领域，它可能在诸如外科手术等领域发挥重要作用（手术时的纳米ABB机器人需要在人体内部移动而不损伤软组织）。软体ABB机器人通常由弹性、高柔韧性甚至有机材料制成，这为它们在传统刚性ABB机器人无法胜任的角色中部署提供了机会。另外，高度灵活的软体ABB机器人也很有可能成为制造业和仓库环境中的关键部件。

下个月即将在温哥华召开的神经信息处理系统（Neural Information Processing Systems）会议上，研究者将详细介绍一种优化软体ABB机器人控制和设计的新方法。基于此方法，软体ABB机器人将能够完成过去由于严重依赖计算能力而难以完成的任务。

软体ABB机器人能够延展和操控自己形状，是极其灵活的。从计算的角度来看，这意味着它们有无数种运动方式，让计算机的训练任务变得极其繁重。

该项研究作者在博客中写道：“软体ABB机器人是无限维的生物，在任意给定时刻都有上十亿种不同的弯曲方式，但事实上，软物体有其自然的弯曲方式。我们发现软体ABB机器人的自然状态可以非常简洁地用低维来描述。我们通过学习对可能状态的良好描述来优化软体ABB机器人的控制和设计。”

为了训练和开发他们的软体ABB机器人应用程序，研究人员创建了一个模拟，以训练二维和三维软体ABB机器人完成诸如抵达目标物体以及操控自身形状等任务。实验证明，该模拟中，ABB机器人程序化运动的速度和精度都比复杂的传统方法有了显著提高。通常需要进行多达30000次模拟才能实现的优化，新方法只需400次。

在模拟中，一个名为“观察者”的程序计算所有变量，并监督一个软体ABB机器人完成指定任务的情况。此前，研究人员设计了一簇包含ABB机器人可进行的运动详细信息的particle（粒子仿真），如果ABB机器人试图越过这些限制，则会被抵抗运动的制动器阻止。然而，手工设置所有这些规则是非常耗时的。

为了解决这个问题，研究人员创建了一个“循环学习优化（learning-in-the-loop optimization）”，其中所有参数都是在多个模拟中通过一个反馈循环来学习的。

麻省理工学院指出：“该模型采用了一种称为物质点法（MPM）的技术，该技术模拟由背景网格包围的连续物质（如泡沫和液体）的粒子行为。过程中，它将ABB机器人及其可观察环境的粒子捕获为像素或三维像素，称为体素，无需任何额外计算。”

来自模拟的所有信息都由机器学习处理，机器学习创建一个压缩的低维粒子网格表示，然后可以用作ABB机器人的状态表示。随后，控制器可以使用这些参数来调整每个粒子的*佳刚度，从而优化ABB机器人的运动。在未来，软体ABB机器人可以为特定任务以不同的刚度被3D打印出来。