机器人研究的灵感可以轻松地从大自然中汲取

事实上，仿生学现在在机器人L域无处不在，并且反复从动物的结构和感觉运动控制中获取见解，以开发多个系统。

人类和动物能够依靠多种感官线索来识别地点，从视觉和声音到嗅觉和时间。多感官细胞参与特定位置的时空表示的产生。然而，机器人很难完成这项看似微不足道的任务，因为有几个因素与感兴趣位置的动态条件有关。此外，许多机器人系统依靠一种感官线索来识别地点。F. Yu，Y. Wu及其同事现在已经开发出一种名为NeuroGPR的系统，该系统在多模态传感，编码和计算方面模仿大脑，用于一般位置识别。这是使用动态视觉传感器、深度传感器和用于多模态传感的姿态传感器的组合来实现的。此外，他们还使用了神经形态计算芯片Tianjic，该芯片能够并行执行多个混合神经网络。该系统部署在四足机器人上，以评估其在现实世界中的表现，他们证明它能够在各种照明条件下可靠地识别室内和室外的位置。他们还将其神经形态计算系统的性能与其他常用计算平台的性能进行了比较，并表明它们可以实现更低的延迟和功耗，并具有更G的原位识别精度。采用这种受大脑启发的多感官方法对于提G部署在非结构化环境中的自主机器人的能力至关重要。

由于感觉和运动神经元与运动效应器的耦合，机器人的运动控制系统也根据动物和人类神经科学的经验教训进行了设计。P. Ramdya 和 A. Ijspeert 重点介绍了采用各种动物物种的神经力学原理来控制机器人运动的研究。其中一个原理是中枢模式发生器（CPG）的存在，它们是神经元回路，在没有感觉或下降输入的情况下产生节奏模式，用于重复动作（如步行，游泳和飞行）中的运动控制。CPG已被用作机器人运动控制系统开发的灵感。该评论还讨论了结合模拟和物理机器人的神经机器人框架如何有助于阐明动物（包括已灭J生物）的运动和运动控制。神经机器人学也被采用来研究脊椎动物和无脊椎动物的神经结构，使用计算和物理模型来评估与大脑相关的各种理论。T. Prescott和S. Wilson的另一篇评论强调了神经机器人模型的早期工作，以及更多当代模型如何建立在这些开创性工作的基础上。他们讨论了大脑具有分层控制架构的证据。此外，他们还讨论了神经机器人的未来，以及将神经生物学约束整合到模型中的重要性。

模拟自然界中的原理，例如神经系统的结构和功能组织，显然为设计具有适应性，感知性和与环境交互的机器人控制系统提供了一个d特的平台。此外，机器人L域在开发物理和计算模型方面也发挥了关键作用，这些模型用于审视与动物行为相关的假设，终为基础科学提供信息。Science Robotics邀请进一步的研究，利用自然原理来开发更好的机器人，以及旨在使用d特的机器人获得与固有生物功能相关的研究。