在機器人中實現類似生命的自主性一直是研究的方向，但目前大多數軟體機器人仍依賴外部刺激操控來產生持續運動。為了實現能夠自我調節感知 、 決策和驅動的自主物理智能（autonomous physical intelligence，API），一種有前景的方法是在材料中嵌入非線性時滯反饋機制（nonlinear time-lag feedback）。鑒于此，加州大學洛杉磯分校賀曦敏教授及博士后陳馳、博士生施鵬舉等人聯合Timothy J. White 教授，Rebecca Kramer-Bottiglio教授，Metin Sitti 教授，Tetsuya Iwasaki教授就如何實現此類反饋做了總結，并追溯了此類軟體機器人的發展歷程及不同的應用領域 。該 工 作 以 題 為 “Advancing physical intelligence for autonomous soft robots”發 表在最新一期的《Science Robotics》上，得到上海交通大學劉河洲 教授與陳玉潔研究員的支持。
Fig.1.Two distinct routes for the development of bioinspired robots.圖1展示了仿生機器人發展的兩條主要路線:一是基于中央處理器和算法的”計算智能(computationalintelligence)”，通過集成傳感器、執行器、決策模塊和能源模塊實現集中或分布式控制:二是“物理智能(physical intelligence)"，即將感知、決策和驅動等功能直接嵌入材料本體，實現去中心化的智能。其中，物理智能通過內嵌的非線性時滯反饋，使各部分都能自主感知和響應外界，實現無需人工干預的持續自主運動，推動軟體機器人向類生命系統演進。
Fig.2.Comparison of various feedback systems and their trajectories.圖2比較了不同反饋系統的動力學軌跡:A為負反饋系統，擾動后狀態會逐漸收斂回平衡點，實現系統穩定;B為正反饋系統，擾動會被放大，導致系統遠離平衡點，直至不穩定;C為非線性反饋系統結合了正負反饋，系統可形成穩定的極限周期，實現持續周期性振蕩。該圖直觀展示了反饋類型對系統行為的決定性影響，是理解自主軟體機器人運動的理論基礎。
Fig.3. Evolution of conventional robots and soft robots with anincreasing level of autonomy圖3表明引入對于外界刺激的控制將會影響軟體機器人的自主性類似于傳統機器人從手動控制、預設響應到機器學習的演進路徑。作者以控制軟體機器人的刺激方式將其劃分為四個階段:(i)完全人工控制、(ii)預設周期性刺激、(iii)自然界周期性刺激，以及(iv)恒定刺激的自持續運動。其中前三階段依賴負反饋環維持系統穩定體現基礎的物理智能，而第四階段則通過非線性時滯反饋機制，推動實現真正的API。
Fig.4.Strategies to create self-continuous motions圖 4 總結了實現基于 API自持續運動的多種策略，主要包括四類機制:(i)通過構建具有梯度或方向性的外部刺激場(如溫度、濕度、化學或光照梯度)誘導運動;(ii)基于化學振蕩反應，如 Belousov-Zhabotinsky 反應驅動的周期性形變;(iii)利用生物雜交系統，將活細胞或肌肉組織嵌入材料中以實現活體式驅動;以及(iv)通過被動機械結構設計。這些策略展示了在不依賴復雜電子控制的條件下，通過材料-結構-環境的耦合設計實現類生命體的持續運動能力。此外，文章進一步總結了基于 API實現的自持續運動在多種環境中的表現形式，包括陸地運動(如行走、爬行、翻轉、滾動、跳躍)水中運動(如波動、振蕩、漂浮、脈動)、潛在的空中運動(如拍翼旋轉、飄浮)、以及多環境下多模態運動。作者還指出，為實現真正的系統級自主軟體機器人，未來需重點發展若干關鍵方向，包括:擴大尺寸以突破微型尺寸的限制、能量獲取與利用、群體行為、多功能集成，以及建模與仿真。最終，作者強調實現高度自主軟體機器人的過程本質上是高度跨學科的，需化學、材料學、力學、數學、機器人學與生物學等多個領域的協同合作。未來的 API軟體機器人將能夠利用環境能量驅動，具備多模態運動能力、信息存儲、通信與環境響應決策機制，并展現出大規模群體智能行為，從而更貼近現實工程應用的需求。