仿生智能与机器人技术发展综述

摘要

仿生学是通过模仿自然界的模型和系统来开发新理论和技术。将生命科学中的功能转移到工程领域，推动了跨多个不同学科的新兴研究方向。近年来，仿生智能与机器人领域的进展备受关注。仿生机器人被设计具有生物特性与功能，可应用于多种场景，例如家庭环境中的类人机器人、野外作业的四足机器人以及空中飞行的类鸟飞行机器人。仿生智能旨在通过研究生物系统的原理来解决许多复杂问题，由此产生了一系列高效的智能算法，如遗传算法和神经网络。仿生智能进一步提升了仿生机器人的性能，使其能够在越来越多的实际应用中得以部署。本文综述了仿生智能与仿生机器人的发展，调研了不同类型的仿生机器人、仿生传感器与感知技术以及主流的仿生智能算法。最后通过探讨当前挑战与未来研究方向得出结论。

1. 引言

几十年来，仿生学已发展成为解决许多复杂问题的有力工具，激励研究人员探索各种高效的硬件设计和软件算法。仿生智能与机器人作为一个融合仿生学、机器人学和人工智能的新兴研究领域，带来了丰硕的创新性成果和激动人心的发现，并实现了具有重要影响的应用。例如，通过模仿人体结构，著名的 ATLAS人形机器人[78]采用了最先进的硬件和控制系统，展现出人类水平的敏捷性。另一个典型例子是流行的神经网络算法[134, 85],，它模拟了真实的生物神经元。该算法已广泛应用于人工智能领域，如人脸识别[83],医学图像处理[70]以及机器人路径规划[158]。

仿生机器人学是通过模仿生物结构或行为来开发和集成仿生机构、执行器和传感器。仿生机器人的一个关键特征是其适应自然环境[154]的能力。换句话说，它们的设计目的是在特定的复杂环境中工作。例如，研究人员受四足动物的启发，设计了可在野外工作的四足机器人。该四足机器人由四条腿驱动，由于具有高自由度，能够适应不平坦的环境。近年来，越来越多有趣且强大的仿生机器人被开发并应用于我们的日常生活中。机器鱼 [130] 可以在游泳池中拍摄精美的照片，监测海洋水质，并协助水下救援。仿生扑翼机器人 [127] 能够穿过狭小空间寻找目标，并隐藏自身以探测环境。

仿生智能赋予机器人应对外部变化的决策能力和适应新环境的学习能力。它也是一个被长期探索的热门研究领域，新的研究成果不断涌现。仿生智能致力于开发受生物工作机制启发的新型算法。例如，遗传算法 [163]基于自然选择过程，蚁群优化[38]受到真实蚂蚁行为的启发，神经网络算法 [134,85]模仿人类大脑的工作方式。这些仿生智能方法在不同应用中取得了巨大成功。然而，仍有许多挑战需要克服，例如实现人工通用智能以及使智能体具备终身自学习能力。

本综述将探讨仿生智能与机器人学领域的新兴成果，并讨论当前面临的挑战和未来的发展方向。

本文其余部分组织如下。第2节介绍不同类型的仿生机器人，包括多足机器人、扑翼机器人、水下机器人和软体机器人。第3节探讨受生物功能单元启发的仿生传感器和感知技术。第4节介绍仿生智能算法—算法，包括进化启发算法、行为启发算法和结构启发算法。在第5节中，我们讨论了仿生机器人学与智能所面临的障碍以及一些未来可能的发展方向。结论在第 6节中得出。

2. 仿生机器人

本节重点介绍不同类型的仿生机器人。我们根据工作场景将仿生机器人分为三类：仿生多足机器人（陆地）、仿生扑翼机器人（空中）和仿生水下机器人（海洋）。此外，由于软体机器人具有内在的仿生特性，我们也对其进行了综述。一些典型的仿生机器人如图 1 所示。

2.1. 仿生多足机器人

仿生多足机器人是一种模拟生物腿部结构及其运动方式的机器人，例如类人的双足机器人、类似四足动物的四足机器人以及类似蜘蛛的六足机器人。多足机器人的优势在于其对各种地形的适应性，能够理想地克服场地约束，因此适用于搜救和环境探测等任务。

多足机器人领域取得了许多显著成就。对于双足机器人而言，本田公司开发的阿西莫是一款具有里程碑意义的人形机器人[142]。第一代于2000年发布，经过持续更新，阿西莫现在能够完成跑步、跳跃、与人交流等多种复杂动作。对于四足机器人，波士顿动力公司的斯波特具有类似狗的身体结构，在运动过程中表现出良好的抗干扰能力[59]。其他多足机器人，例如六足机器人，通常采用类似于昆虫的运动模式。

近年来，腿式机器人的研究主要集中在如何使机器人具备高水平的运动能力以克服各种复杂地形。热点话题包括轨迹优化、动态建模和高效控制算法。阿吉利 F. 提出了一种针对多足机器人的最优节能二次约束二次规划（QCQP）控制器[5]。卡彭蒂埃和曼萨德提出了一种用于计算腿式机器人在各种地形上的多接触运动轨迹的解决方案，该方案基于通用模板模型和质心动力学[21]。杨等人提出了一种多专家学习架构，用于生成自适应运动技能，并实现四足机器人的广泛运动专长[164]。李等人使用强化学习训练神经网络策略，以驱动一个鲁棒四足机器人控制器，该机器人仅依靠本体感觉反馈即可盲行通过复杂地形[87]。

研究人员还尝试通过结构设计来提升多足机器人的性能。比约洛尼奇等人提出了一种轮腿混合机器人，即 ANYmal。基于轨迹优化框架，该机器人具备行走与驾驶相结合的移动能力[18]。北野等人开发了一种匍匐型四足机器人TITAN-XIII，其在速度和能量效率方面的表现几乎与哺乳动物型四足机器人相当[74]。

除了刚性大型腿式机器人外，陈等人基于哈佛大学的Ambulatory Micro Robot设计了一款四足微型机器人，可在陆地上行走或在水中游泳，并实现两者之间的过渡[25]。他们利用表面张力和浮力支撑并在水面移动，通过电润湿打破水面并进入水中。

2.2. 仿生扑翼机器人

仿生扑翼机器人是一种模仿自然界中鸟类和昆虫飞行生物原理的飞行机器人。扑翼机器人利用快速振动翅膀实现悬停、转向、俯冲等动作。与非仿生飞行机器人相比，仿生扑翼机器人具有两大优势[127,20]。其中一个重要的优势是，即使在小尺度下也能表现出优异的飞行性能。第二个优势是，仿生扑翼机器人的机动性和敏捷性优于固定翼和旋翼飞行机器人。早期的相关研究主要集中在仿生扑翼机器人的飞行原理上。目前，扑翼机器人的研究涉及多个学科，

例如生物学、机械、控制和能量。

仿生扑翼机器人通常具有更高的机动性和敏捷性，但在不同情况下对机动性和敏捷性的要求各不相同。然而，同时保持这两者较为困难。为解决这一问题，Ajanic 等人发现鸟类通过翅膀变形来应对此类问题[6]。当需要更高机动性飞行时，鸟类倾向于将主翼前掠，并利用尾部支撑主翼以扩大扑动面积，从而增加升力和阻力，进而提升其机动性。基于该机制，设计了一种具备变形能力的仿生扑翼机器人，具有较高的自适应飞行能力。Phan 等人发现犀牛甲虫翅膀上的褶皱在飞行碰撞中起到重要的阻尼作用，有助于甲虫快速恢复飞行[126]。通过模仿这一机制，即使遭遇碰撞，扑翼机器人仍可安全飞行。受蜂鸟启发，Tu 等人设计了一种新型扑翼结构，有效提升了仿生飞行机器人的性能[152]。受昆虫启发，Phan 等人通过减小内侧翼面积以提高升功比，有效改善了机器人的悬停性能[125]。Lee 等人提出一种新型算法，并添加鲁棒姿态控制器，以增强扑翼飞行机器人在室外环境中的抗干扰能力[88]。Ferdaus 等人设计了一种进化自组织模糊神经控制器，有效提高了扑翼机器人的抗干扰性和鲁棒性[45]。

对于昆虫尺寸扑翼机器人实现自由飞行而言，能量非常宝贵。Jafferis 等人通过增加四个翅膀以提高气动效率[69],，成功使昆虫尺寸扑翼机器人获得更高的升力-重量比，并实现了优异的有效载荷能力，从而能够搭载额外的机载设备并增强飞行能力。

2.3 仿生水下机器人

适者生存，经过数亿年的自然选择，水下生物的生理结构和运动方式已进化为适应水下环境的最优形态。结合仿生学与机器人学的仿生水下机器人在航行效率和机动性方面远超传统水下机器人，使其在水下救援和深海探索中具有巨大潜力 [11, 37]。

目前，仿生水下机器人[175]的运动模式主要有两大类：一类是利用尾鳍或胸鳍进行运动，另一类是通过收缩其不对称的身体形状[44]来实现运动。采用尾鳍推进模式的仿生水下机器人主要依靠身体尾鳍的运动，通过身体波动和尾鳍摆动产生推进力。其瞬时游泳加速度性能良好，周期性游泳的巡航能力较强。而仿生采用中间鳍推进模式的水下机器人主要依靠胸鳍或腹鳍的摆动来产生推进力稳定性更高，且比身体尾鳍推进模型具有更强的抗干扰能力。

在过去二十年中，各种仿鱼机器人被设计出来 [130, 48]。2017年，受海洋生物蝠鲼的软体结构和柔性拍打翅膀的启发，李等人使用介电弹性体薄膜作为软体肌肉驱动器，开发出一种软体机器鱼 [95]。2019年，Pliant能源系统通过模仿鳍间推进的运动模式，制造出名为Velox的机器人 [10]。该机器人使用两条长而柔性的鳍来推进其运动，并由八个执行器驱动。Velox的结构和新型传动系统不仅使其能够在水中灵活移动，还能在较不坚硬的表面上移动。2020年，Florian等人提出了一种名为Bluebot的微型机器鱼，能够像鱼群一样游泳。Bluebot可以形成自主集群，每个机器人能够感知其他机器人的方向和距离[37]。由于具备集体协作能力，Bluebot有望被用于环境监测和救援。

水母使用另一种运动模式，通过收缩外壳并挤压腔体来改变腔体体积，将腔体内的水喷出，并利用喷水 [27,131]实现运动。当内腔扩张时，水流被缓慢吸入以填充内腔。如果内腔迅速收缩，则将水推出腔体。喷射水流产生的推力使水母沿身体轴向移动。

2.4. 软体机器人

软体机器人是指由流体、凝胶和弹性体等软材料制成的机器人。与传统的刚性机器人相比，软体机器人在复杂的自然环境中可能更具适应性和有效性，并且在人机交互方面更安全[14, 41]。软体机器人的一个例子是M. D. Grissom提出的OctArm[52],，一个有用的应用实例是软体五角抓手，它可以拾取一个未煮熟的鸡蛋[66]。

近年来，已开发出具有不同结构、材料和驱动策略的各种软体机器人。由于其独特的特性和优势，软体机器人在抓取与操作、运动与探索等方面具有广泛的应用 [86],[72, 63]。由于柔性、安全性和灵巧性等特点，软体机器人也应用于生物医学领域，如外科手术、药物递送、康复和辅助[30]。本文主要关注仿生软体机器人的最新发展。

气动驱动是软体机器人最常用的驱动方式。然而，气动驱动的软体机器人通常需要多个阀门和泵。这些硬质机电组件使软体机器人变得笨重，无法在其工作环境中实现自主导航。为解决这些问题，Drotman等人提出了一种无电子四足软体机器人。这项工作是迈向完全自主、无电子行走机器人的重要一步[41]。

尽管软材料提高了软体机器人的顺应性和适应性，但其运动速度和操作力受到限制。该机器人可通过受脊柱启发的双稳态结构在数十毫秒内快速存储和释放能量[150]。他们的研究为下一代高性能软体机器人建立了一种新的通用设计范式。

生物是结构、动力、驱动、感知与控制系统高度集成的体现。目前，机器人缺乏这些多功能系统之间的协同作用，导致其效率和自主性较低。其中，动力系统是制约机器人发展的重要障碍之一。基于氧化还原液流电池，提出了一种结合液压传动、驱动和能量存储的狮子鱼启发的软体机器人。该能量系统可支持机器人运行长达36小时[12]。在液压流体中采用电化学能量存储，为实现高能量密度和长期运行的机器人设计提供了可行方案。

3. 仿生传感器与传感技术

本节旨在提供各种仿生传感器与感知技术的概述，包括有关灵感与创新的详细信息。仿生传感器可分为五类，即视觉传感器、听觉传感器、触觉传感器、味觉传感器和嗅觉传感器。这些也是人类从自然环境中获取信息所使用的五感。

3.1. 视觉传感器

经过数百万年的进化，具有极其复杂结构和强大感知能力的眼睛成为人类和动物从外部环境接收信息的最重要器官之一[82]。

眼睛对人类至关重要。我们的大脑通过眼睛从周围环境中获取了超过五分之四的信息[128]。人眼具有极宽的视场、高分辨率和灵敏度以及低像差的特点，这启发了许多科学家设计先进的视觉传感器。

顾等人[53]克服了制造球形眼球和视网膜的主要困难，并开发出具有半球形视网膜的电化学眼。受人眼视网膜上光感受器的启发，他们研制出高密度纳米线阵列，使人工眼在结构上与人眼高度相似（见图2（a））。除了独特的结构外，人眼还具有调节功能。例如，它能够连续调节焦距和光圈，并能通过自身的运动来追踪移动对象[68]。电润湿[57, 15]和介电泳 [26]等电效应被广泛用于调节焦距和光圈大小。在 [75, 103],具有自调节功能的传感器中，并通过模仿人眼的睫状肌和具有60毫秒响应能力的晶状体，卡皮等人[22]提出了可调光学传感器，并开发了运动跟踪能力。此外，大脑中图像的处理在视觉感知中也起着重要作用。博米克等人[16]模仿大脑中的分层处理机制，提出了一种新颖的分层架构，该架构具有像素并行和可重构特性。该架构使得计算单元能够靠近传感器单元，从而在保持低功耗的同时实现机器视觉的高速加速。

除了人眼，模仿动物的眼睛也非常有价值。它们仅需消耗少量大脑资源，便能在各种环境中高效地执行视觉处理任务 [137]。

大多数动物物种，尤其是昆虫，拥有复眼（见图 2(b)），其分辨率低于单透镜眼，但具有无畸变和像差的更大视场以及高时间分辨率。Floréano 等人 [46]开发了 CurvACE 人工复眼，该复眼由微透镜、神经形态光电探测器和柔性印刷电路板组成，可在超薄封装中实现无畸变的全景视场。受火蚁启发，宋等人 [144]研制出首个 25-6像素 人工复眼。这些器件由弹性体复眼复合光学元件和薄硅光电探测器阵列被制成半球形，并嵌入到并置型复眼相机中。脊椎动物和无脊椎动物的眼球运动也是视觉感知的重要组成部分。受眼球震颤运动的启发，开发出一种名为自主机器人控制用振动光学装置（VODKA）的视觉传感器[155, 107]。该传感器中，两个光感受器在小透镜后方重复进行微小运动，并利用两个光感受器信号来定位目标。实验表明，VODKA传感器具备定位对比边缘的能力，其高分辨率比静态分辨率高出900倍。此外，受家蝇（ Musca domestica）的启发，开发出一种仿生视觉传感器，可用于实时跟踪翅膀偏转[169]。受螳螂虾视场中可调偏振对比度的启发，钟等人[174]提出了一种能够自适应增强对比视觉的新模型。

3.2. 听觉传感器

声学传感器也是感知外部信息的重要工具。受蟋蟀听觉系统的启发，鲁菲耶等人[133]开发了一种新型仿生声学传感器。该设备能够在复杂环境中精确追踪声源并进行导航。即使在噪声较多的环境中，人类仍然能够可靠地定位和分类声源。受此启发，内马拉等人[114]提出了一种仿生多分辨率分析方法，以增强说话人识别能力。受蝇类机械耦合鼓膜的启发，安等人[9]设计并制造了一种基于声压梯度敏感结构的新型微机电系统 （MEMS），用于声源定位。为了消除机器人的自体噪声，达维拉等人[35]提出了一种仿生双耳声源定位方法，作为

如图 3 所示。该算法能够以高精度区分声音。为了提高语音识别能力，他们还提出了一种新的认知方法，模拟人类在嘈杂环境中说话的行为[36]。

3.3. 触觉传感器

触觉在使人类和动物与周围环境互动中起着重要作用。如图 4(a)所示，皮肤中嵌有四种主要类型的机械感受器，即迈斯纳小体、帕西尼小体、鲁菲尼小体和梅克尔盘，它们分别负责接收特定刺激。由于机械感受器的存在，人类具备形状感知、指尖力感知、滑移检测、硬度感知和纹理感知的能力[54]。

李等人[90]开发了二值触觉传感器，用于分析不同对象的局部曲率。两个Izhikevich模型被用来将触觉信号转换为脉冲。李等人[92]还开发了一种足底压力传感器，并使用一种新颖的神经形态方法检测步态事件。博洛尼亚等人[19]开发了一种电容式方形传感器阵列，用于分析包括盲文字母在内的纹理。斯皮格勒等人[145]提出了一种光栅识别系统，通过结合Izhikevich模型和刺激解码方案来实现表面粗糙度的区分。本杰明等人[161]提出了一组具有多种结构的柔性光学触觉传感器，其设计灵感来源于人类指尖中间脊的功能。奥斯伯恩等人[119]发明了一种多层电子皮肤（e-dermis），具备伤害性感觉反馈，该反馈基于机械感受器和伤害性感受器的行为，向截肢者提供类神经形态的触觉信息。这些触觉传感器可以嵌入电子皮肤中，使其具备与真实人类皮肤相同的触觉感知功能[67]。邹等人开发了一种坚固但可修复、可回收且可扩展的电子皮肤[178]。它还具有流动、温度、触觉和湿度传感功能。受损的电子皮肤可在室温下被修复并完全恢复，恢复后的电子皮肤具有与原始电子皮肤相当的机械和电学性能。李等人[91]开发了异步编码电子皮肤（ACES），这是一种类神经模拟架构，能够在保持极低读出延迟的同时实现热触觉信息的同步传输，从而克服大规模阵列中的读出延迟瓶颈和复杂布线问题。

动物也进化出了优异的感受器，例如节肢动物的感觉毛、鱼类的侧线系统（见图 4(b)）。研究人员模仿这些结构开发了机械传感器。首先，类似于毛发的感觉感受器通常存在于节肢动物中。高等人 [76]将刚性金属杆连接到薄压阻膜上，制造出一种压阻式加速度传感器。边等人 [17]设计了一种基于多电极金属芯压电纤维的新结构，以提升气流传感器的性能，该设计灵感来源于蟋蟀的刚毛。德鲁根迪克等人 [40]开发了电容式人工仿毛传感器，通过静电弹簧软化提高了对气流响应的能力。此外，还制造了一种具有高精度和高能效的磁性仿毛流动传感器 [8]。其次，许多水生两栖动物体表的侧线系统是一组能够检测皮肤表面水流运动的感知单元。纳维等人 [113]开发了一种人工侧线压阻传感器。该传感器由垂直附着于基底的悬臂梁以及作为感知元件的两个应变计组成。此外，阿卜杜萨达等人 [3]基于压电效应研制出一种新型人工侧线传感器。

3.4. 味觉传感器

味觉是人类感官器官中不可或缺的一种感觉。味觉代表了舌头上的五种基本味道，即酸味、甜味、咸味、鲜味和苦味，在识别化学物质[101]方面起着重要作用。

毫无疑问，人类用于味觉的生物器官是舌头。舌头包含数千个味蕾。每个味蕾由大约50‐100个味觉受体细胞[99]组成。味觉受体细胞在味觉感知中起着关键作用。它们与各种物质发生电化学反应并产生特定信号。这些特定信号被传递到大脑，并基于神经网络模式识别进行解释，以分析、区分和分类相关物质[98]。

夏尔马等人[138]提出了一种电位传感器。其对不同味道的响应通过相应的物质进行测量。实验结果表明该传感器具有良好的重现性和精度。基于分子印迹聚合物的应用，孙等人[149]开发了压电石英晶体传感器用于测量甜味和苦味。帕拉等人[120]开发了基于电活性化合物的伏安型传感器，以准确检测有机和离子化合物的苦味。里乌尔 Jr 等人[132]制备了一种新型传感器，可在20‐105赫兹的频率范围内区分甜味、酸味、苦味和咸味。

3.5. 嗅觉传感器

嗅觉是人类五种感官中了解最少的一种。为了模仿人类鼻子的功能，科学家和工程师开发了许多传感器，例如无机气体检测器、有机气体检测器以及生物传感元件。

在脊椎动物的鼻腔中，挥发性有机化合物（VOC）通过呼吸被传递到嗅上皮，因此气流动力学在嗅觉中起着重要作用。施特泽尔等人[146]从狗的鼻腔中获得灵感，通过在狗的鼻腔模型的不同位置放置传感器，研究气流动力学与嗅觉之间的关系。最终，传感器的区分能力得到提升。张等人[24]在人类鼻甲模型上设计了一种微流控细胞，以提高对VOCs的区分能力。埃尔巴布里等人[43]模拟人工鼻子中的气体流动，从而提高了五种VOCs的分类准确率。VOC需要在黏液层中传输并与嗅觉受体相互作用。黏液层还保护了蛋白质的结构。因此，黏液层在嗅觉产生过程中起着重要作用[122]。受此启发，李等人[89]制造了一种基于聚碳酸酯和二氧化硅/氮化硅/二氧化硅的多孔膜，这种膜能有效防止水分蒸发，同时允许气味分子自由扩散。由于大量受体细胞广泛分布在黏液层下方，这些位于不同空间位置的细胞提供了空间和时间上的化学感觉信息。科文顿等人[31]模仿这种特殊结构开发了一种人工嗅觉微系统。该系统包含一个模拟鼻腔的通道，并涂覆聚合物以模拟黏液层，传感器阵列位于聚合物下方。这种仿生系统将生成在时间和空间上分布的气味信号，且信号保留时间可长达170秒。实验结果表明，该研究提升了对两种简单气味以及一组复杂气味的区分能力。

3.6. 其他

除了五种主要的感知能力外，一些动物还具有特殊的感知能力，例如红外（IR）感知和地理位置感知。

许多生物拥有性能优异的微型红外传感系统。在[107],马丁等人开发一种仿生传感器，模拟尖头黑林甲虫的红外感受器功能。红外辐射加热液体，导致膜发生机械变形，该变形可通过电容器进行测量。因此，通过监测电容值的变化，可测量温度变化。

蝗虫、蝇、蜜蜂、蚂蚁和甲虫都配备了非常有效的光学罗盘，这些罗盘对大气中阳光散射所产生的偏振光敏感。阳光在地球大气中的散射在整个天空形成偏振模式。昆虫眼睛的背部区域（背缘区，DRA）具有光感受器，这些光感受器专门用于检测天空偏振光的模式[137]。Lambrinos 等人 [81]提出了一种基于沙漠蚁DRA的机器人应用。褚等人 [29]开发了一种更小的罗盘，该罗盘由6个光电二极管组成，每个光电二极管上安装有线性偏振片，并以60◦间隔。在 [160],对该类型的一对偏振光传感器在晴朗天空下进行了测试，这些偏振光传感器的精度达到 ±0。2◦。安装在四旋翼飞行器上的单个偏振传感器也实现了令人满意的性能。室内精度为0。2◦，室外精度为 2◦，输出刷新信号频率为10赫兹 [173]。

4. 仿生智能

本节概述了仿生智能算法，这些算法分为三类：受进化启发的算法、受行为启发的算法和受结构启发的算法。同时简要介绍了这些算法的历史和应用。

4.1. 进化启发算法

进化是自然物种生存的关键因素，也是智能算法的灵感来源。正如查尔斯·达尔文所发现的，进化的根本规律是自然选择，即适者生存[32]。这一思想已被广泛扩展到科学领域。图5展示了一个进化的循环，描述了现有种群的代际进化过程。经过自然选择后，“被选中的亲代”能够产生后代。随后，具有优良遗传特性的最新后代得以存活，并取代现有种群。该循环不仅描述了自然选择，也表明了受进化启发的算法的基本流程。

进化启发算法的起源可以追溯到20世纪50年代。事实上，受进化启发的算法具有许多共同点，例如，它们都基于自然选择的思想。

4.1.1. 遗传算法（GA）

遗传算法（GA）受到自然选择理论的启发，该理论是自然进化的基本法则。最适合的特征应是物种中最适应周围环境的特征。同时，最适个体的优良遗传特征有更高的机会传递给下一代。

具体而言，自然选择的过程始于一个称为种群的个体群体。在种群中，具有最适应特征的个体有更大的机会存活并产生后代。由于基因决定特征，后代会从亲代继承这些特征，从而拥有更高的生存概率。这一过程逐代延续。理论上，最终可以找到最适应的个体。根据自然选择的过程，遗传算法通过五个阶段实现：种群初始化、适应度计算、选择、交叉和变异。

关于遗传算法的应用，霍兰德于1975年将GA应用于计算机科学问题。随后，它被应用于多个领域，如机器人运动和路径规划。柴田等人提出将其应用于机器人导航以解决运动规划问题。研究发现，GA在运动规划中具有时间效率高的特点。此外，石和崔以及盛等人已成功将其应用于实时路径规划任务。卡拉还将 GA应用于多机器人路径规划。

然而，遗传算法也存在一些局限性，例如缺乏对导数信息的考虑、计算代价高的适应度函数以及无法保证最优解。然而，在许多问题中，只要参数选择得当，它仍然非常高效。

4.1.2 遗传编程（GP）

GP由科扎等人于1992年提出[77]，作为对遗传算法的扩展。然而，GP在两个方面不同于遗传算法。第一，GP采用间接编码表示可能的解，以进行最优个体搜索。第二，为了扩大多样性，变量表示的维度不是固定的。因此，GP可以通过改变基因的值和染色体的结构来增加其多样性。

关于GP的应用，GP的灵活性促进了其在包括工业生产[55],、数据挖掘 [47],、图像处理[80],和机器人控制 [94]等多个领域的研究与应用。

4.1.3. 进化策略（ES）

ES 由柏林于1964年提出[13]。与遗传算法类似，ES 被视为一种全局优化方法。ES 与遗传算法具有相似的思想，即在进行参数优化时模拟自然进化。然而，与遗传算法不同的是，ES 的原理受到宏观层面的启发。自然进化的物种层面过程，而非微观和基因组水平。在进化策略（ES）中，变异不像遗传算法（GA）那样是一个完全随机的过程，而是利用自适应机制将变异控制在优势方向上。图 6 是进化策略如何迭代地引导出解决方案的一个示例。

作为一种随机搜索算法，进化策略（ES）广泛应用于系统参数估计[56],立体图像处理[100],机器人路径规划[162],和强化学习方法[139]。

4.1.4. 其他算法

遗传算法、GP和进化策略（ES）是进化启发算法的代表[34]。此外，还有其他受进化启发的算法，如差分进化（DE）、稻田算法（PFA）和花粉授粉算法（FPA）。

差分进化（DE）于 1997[147]中被提出。通常情况下，DE与遗传算法（GA）和进化策略（ES）非常相似，但其主要区别在于变异过程。在遗传算法中，变异在整个算法中仅起到微小变化的作用，以保持基因库的多样性。然而，DE的变异过程是个体之间的数学组合结果。在自然界中，变异倾向于利用。DE的思想是通过迭代逐步将可能的解向最优值改进。对于一个候选解，变异会在正方向和负方向上发生。在每次迭代中，应根据质量度量选择最佳的变异。通过逐步递增，候选解逐渐接近最优解。受植物播种过程的启发，2009年提出了PFA [129]，其核心思想是最优植株源于最优土壤。在良好的土壤中，植物的种群密度更高，相较于种群密度较低的区域，这有助于实现更高的授粉率。类似地，FPA [166]侧重于模拟自然界植物不同的授粉方式。该算法主要包含两个过程：全局授粉和局部授粉。全局授粉模拟传粉者的行为，局部授粉产生与原始种群相似的新一代。

总之，受进化启发的算法共享自然选择这一关键思想。它们以灵活性和鲁棒性为特征，能够突破优化问题中导数信息的限制。

4.2. 受行为启发的算法

行为是仿生智能算法的重要灵感来源，其中通过学习动物行为来实现最优解搜索。在本节中，我们介绍蚁群优化（ACO）、和声搜索（HS）、布谷鸟搜索（CS）以及其他一些算法。

4.2.1. 蚁群优化（ACO）

蚂蚁在寻找食物时，会沿途留下信息素，以告知其他蚂蚁是否存在食物。受此行为启发，马可·多里戈等人[39]提出了蚁群系统（AS）和ACO[38]。ACO通常用于求解旅行商问题（TSP）。假设图上存在若干节点，每条边都有一个称为信息素的期望度量，并在每次迭代时由蚂蚁进行更新。初始时，将一定数量的蚂蚁随机放置在节点上。每只蚂蚁根据状态转移规则以概率方式选择节点，构造出完整的路径。在所有蚂蚁完成路径后，应用包含蒸发和增强过程的全局信息素更新规则。然后重复整个过程，直到找到最优解或迭代次数达到阈值。

还有一些高级版本的AS和ACO，例如基于精英策略的蚁群系统[39]以及结合局部搜索启发式的最大最小蚁群系统[148]。ACO相关算法已广泛应用于研究和工程领域，包括机器人自主行李手推车收集[159],、无线传感器网络[157],、实时列车路径选择[136],以及数据分类[106]。

4.2.2. 和声搜索（HS）

和声搜索（HS）[51]通过类似于爵士即兴创作的目标函数来寻找全局最优解[105]。在音乐演奏中，音乐家依靠自身记忆不断调整乐队中每件乐器的音调，最终达到美妙的和谐状态。类似地，和声搜索是一种智能优化算法，它模拟音乐演奏的原理，通过反复调整记忆中的解变量以实现优化收敛。在HS算法中，乐器被视为优化问题中的变量，每个乐器音调的和谐程度相当于一个解，而音乐演奏的评价则对应目标函数。

HS 可通过五个步骤实现 [2],，包括初始化、和声记忆初始化与评估、即兴创作、和声记忆更新以及终止准则检查。首先，算法生成多个初始解并将其保存在和声记忆（HM）中。然后，HS 以随机概率 p 在 HM 中搜索新解，并以一定概率在 HM 外进行搜索。同时，和声搜索（HS）以一定概率对新解产生局部扰动。如果新解的目标函数值优于和声库（HM）中最差解的目标函数值，则用新解替换最差解。和声搜索（HS）重复上述过程，直到满足终止条件。

为了进一步提高性能，已提出许多改进的和声搜索算法，例如改进型和声搜索（IHS）[102],全局最优和声搜索（GHS）[116],新型全局和声搜索（NGHS）[177],以及混沌和声搜索[7]。和声搜索（HS）及其变体可用于供水管网 [50],水下机器人导航[79],和移动机器人定位[108]。

4.2.3. 布谷鸟搜索（CS）

基于布谷鸟的繁殖行为，提出了CS[167]以解决优化问题。布谷鸟的繁殖是一种产卵行为：布谷鸟将蛋产在其他鸟类的巢中，并可能移除其他鸟的蛋，以提高自身蛋的孵化概率。该行为遵循三条规则：1）每只布谷鸟一次只产一个蛋，并将其放入随机选择的巢中；2）含有高质量蛋的最佳巢将被保留至下一代；3）可用的寄主巢数量固定，且寄主会随机发现布谷鸟产下的蛋。此时，寄主可能摧毁该蛋，或放弃旧巢并建造新巢。

过去十年中提出了不同的CS算法。Walton [156]提出了改进型布谷鸟搜索（MCS），可用于优化非结构化网格。提出改进型布谷鸟搜索（ICS）[153]用于前馈神经网络训练。Layeb和Abdesslem[84]提出了一种基于量子计算原理的新型量子布谷鸟搜索（QCS）算法。该算法可用于背包问题和装箱问题。Yang和Deb [168]提出了一种多目标布谷鸟搜索（MCS）算法，用于焊接梁和盘式制动器设计等工程设计问题。

尽管CS的时间消耗是一个缺点，但CS已广泛应用于优化和计算智能[49],数据聚类[104],图像处理 [23],以及机器人导航[110]等多个领域。

4.2.4. 其他算法

还有一些其他行为启发的智能算法。受鸟群编舞美学的启发，Kennedy等人[73]于1995年提出了粒子群优化（PSO）。海达里等人[58]于2019年提出了一种名为哈里斯鹰优化器（HHO）的新型基于种群的、受自然启发的优化方法。HHO受哈里斯鹰的协作与追捕行为启发，已被应用于微通道散热器设计[1]和路径规划[135]。

4.3. 结构启发式算法

类似于飞机机翼上萌发的小翼受到翱翔的鸟类翼尖的启发[111],，许多智能算法也受到生物结构的启发。例如，DNA计算将工作—将生物DNA的原理引入计算领域，膜计算利用生物细胞的协作规则，人工免疫系统受生物免疫系统的启发，而神经网络则与人类神经元系统具有相同的抽象结构。

4.3.1. DNA计算

DNA计算被提出用于通过分子计算解决组合问题。生物DNA将遗传信息存储在由脱氧核苷酸串组成的DNA链中，其中 A, G, C, T分别代表腺嘌呤、鸟嘌呤、胞嘧啶和胸腺嘧啶。在DNA计算中，首先对问题进行编码，就像大量遗传信息存储在微小的生物DNA链片段中一样。然后对编码后的DNA序列执行各种操作，并产生可能的解，类似于酶作用于生物DNA的过程。最后，将选择并解码满足约束条件的最优解。利用DNA结构和配对规则的思想，DNA计算具有两个主要优势，即大存储容量和高并行性。

黄等人提出使用DNA计算框架[64]来解决多自由度人形机器人手臂的逆运动学问题，其中利用田口方法 [165]解决了经典DNA计算中耗时的调参过程。DNA计算在求解群体机器人的冻结标签问题（FTP）[176]以及加权图中的最短路径问题[65]时也表现出优势。

4.3.2. 膜计算

受类细胞膜系统的启发，提出了膜计算[121]。在膜计算中，包含多个类细胞膜。膜划分的区域中存在对象。这些对象可通过其他对象的表示进行变换、穿过膜或溶解其所在的膜。对象的演化以并行方式进行，且假设所有对象都能够发生演化。因此，可以构建一种对象的计算机制：在特定膜内初始化一定数量的对象，系统开始演化并迭代。当演化终止，即不再有任何对象能够继续演化时，该计算机制结束。随后，可根据特定膜中对象的数量获得结果。

膜计算可应用于机器人路径规划的快速探索随机树（RRT）框架中[124]。此外，提出了一种基于膜进化理论的人工序场法（APF）[117]方法，该方法借鉴膜计算的思想，将单层膜结构引入APF算法中，用于解决机器人路径规划问题，并取得了更好的性能。另外，结合伪细菌遗传算法提出了一种动态膜方法用于调整介绍了一种调整人工势场法参数的方法[118]。

4.3.3. 人工免疫系统

生物免疫系统能够通过识别和消除感染来保护生物体，因其并行性、多样性、容错性、分布式特性以及动态学习和适应能力而具有显著优势[33]。受生物免疫系统原理的启发，人工免疫系统被提出作为一种计算模型[60]。

在人工免疫系统中，阴性选择算法（NSA）负责区分外来细胞和正常的自体细胞，以确保人工免疫系统的正常运行，这对人工免疫系统至关重要。NSA包含两个阶段：检测阶段和监控阶段。在NSA的检测阶段使用两个数据集：由训练集组成的自体数据集，以及由随机生成的样本组成的非自体数据集。在检测阶段，检测器将尝试区分非自体样本和自体样本。NSA将被识别的样本视为异常的外来细胞，而未被识别的样本则视为正常的自体细胞。只有那些完全不能识别自体样本的检测器才会被加入到检测器集合中。在监控阶段，检测器将处理输入数据并找出异常数据。

针对密集射频识别读写器的防碰撞算法采用人工免疫网络模型开发，实验结果表明精度得到进一步提升[96]。张等人[172]提出了一种利用人工免疫系统解决约束优化问题的框架。人工免疫系统也广泛应用于机器人学领域，例如移动机器人轨迹跟踪[28]和避障 [109]。

4.3.4. 仿生神经网络

仿生神经网络也被称为人工神经网络，是一种模仿生物神经系统工作方式的信息处理范式[62]。生物神经网络是由突触相互连接的一群神经元，在被激活时执行特定功能。神经元的输出是兴奋性或抑制性信号，这取决于神经元的总和电位是否超过阈值。类似地，人工神经网络是一个大规模的并行分布式计算网络。在网络中，每个节点代表一个神经元，通过加权连接接收来自其他节点的多个输入信号。权重是自适应系数，用于决定一个节点对另一个节点的影响强度。为了生成输出信号，将加权信号的总和输入到一个非线性函数中，该函数模拟了生物神经元的激活函数。在训练人工神经网络时，使用先验知识作为训练数据来调整权重。

人工神经网络及其变体被认为是分析海量数据和解决复杂任务的最强大工具之一，广泛应用于函数逼近[97],分类 [171],和聚类[42]。此外，它在机器人应用中也取得了巨大成功，例如无碰撞路径规划[158],机器人操作 [93],和机器人感知 [151]。

5. 挑战与未来展望

在本节中，我们讨论仿生智能与机器人学面临的挑战以及仿生智能与机器人学发展的未来展望。

5.1. 仿生机器人

尽管仿生机器人已取得很大进展，但在其能够应用于多样化和复杂的动态环境之前，仍有一段很长的路要走。

对于多足机器人而言，上述研究工作能够解决复杂的问题，但具备与自然生物相同或更强能力的多足智能机器人仍是研究人员追求的目标。此外，强大而精确的执行器在复杂的控制算法中不可或缺。为了确保多足机器人在自然环境中实现稳健运动，硬件和软件都需要进一步改进。

目前，扑翼机器人采用流线型翅膀，而非动物羽毛或扁平薄翼结构。由于仿生飞行机器人具有特殊性，如何设计结构并选择材料以提高飞行灵活性、稳定性和可操作性具有重要意义。由于电源需要在体积小、重量轻的前提下提供高效的飞行动力和长期的飞行耐久性，因此设计紧凑且高效的能量系统面临巨大挑战。此外，在复杂户外环境中提高飞行抗干扰能力、稳定性和精度的稳健智能控制系统是另一个重要问题。

水下环境感知与建模对于实现水下任务至关重要。多种传感器的信息融合技术，结合SLAM（同步定位与地图构建）、人工智能技术以及水下环境建模，将有助于提升仿生水下机器人的自主性与智能。此外，多个仿生水下机器人之间的协作有助于提高作业效率，但这仍是一个极具挑战性的问题。

对于软体机器人的未来发展，新型驱动方法、新型功能材料、新的制造方法、智能自主控制以及生物级系统集成至关重要。应探索标准化和精密的制造方法，以生产具有精确形状和尺寸的软体机器人。为了更好地理解自然界中生物高效性和智能性的机制，还需进一步研究来自自然的生物特性。软体控制部件和柔性能源供应的设计也是未来的发展方向之一。

5.2. 仿生传感器与传感技术

仿生视觉传感器模仿了眼睛的结构和功能，在医疗设备、机器人学等众多应用中具有巨大潜力，视觉假体ses，以及消费电子产品。目前，制造人工复眼和仿生人眼的材料相对昂贵，且复杂的制造过程周期较长 [53, 170]。

声学传感器主要被开发用于模仿昆虫或人耳的结构。其主要目的是在噪声环境中定位和区分声源，并进行语音识别。然而，仅依靠听觉来理解复杂场景或高效处理复杂任务仍然具有挑战性。目前，许多研究人员将声学传感器与其他传感器结合用于场景理解，例如融合视觉与听觉以实现多模态导航、多模态语音识别等任务。

仿生触觉传感器的性能已得到显著提升，尤其是在灵敏度、柔软性和拉伸性等方面，这得益于新型结构的设计和新材料的开发。然而，难以在所有方面同时保持最佳性能。因此，在设计传感器时，有必要根据具体应用在这些参数之间实现平衡。此外，柔性传感器的制造工艺要求和生产成本相对较高。通过改进制造工艺和开发新材料，有望解决生产成本问题。

味觉传感器识别复杂混合物中难以捉摸的成分的能力完全无法与人类舌头相提并论。生物传感器，即味觉细胞、组织、神经、酶、纳米材料和微流控芯片，具有高灵敏度和短时间检测生物分子或细胞的能力，并在高通量分析和高度自动化方面具有显著优势[101]。因此，寻找高效、高灵敏度且操作简便的更多仿生材料对于传感器的改进至关重要。

对于嗅觉传感器而言，要制造出能够模仿真实人类鼻子的人工装置，仍需解决两个主要问题。第一，在大约300∼400个功能性嗅觉受体中，仅有50个被去孤儿化。到目前为止。这是由于嗅觉编码的极端复杂性，因此完全理解人类嗅觉编码仍然是一个未解决的问题。其次，人类鼻子超凡灵敏度的放大机制难以通过电子电路复制。因此，可能需要新方法来解决这一问题[123]。

5.3. 仿生智能

人工智能是迈向人类社会下一代的一次巨大飞跃。仿生神经网络是实现人工智能的强大工具，在许多问题上表现出优异的性能。然而，它们也存在梯度消失、过拟合以及训练样本不足的问题。受自然选择启发的仿生智能算法可能在未来有所帮助。例如，仿生随机算法不需要微分信息，这可能有助于解决梯度消失问题。此外，实现人工通用智能，以及使仿生机器人在运动和智能方面表现得像人类一样，也是有趣的研究领域。

6. 结论

本文综述了仿生智能与机器人学的发展，包括仿生机器人、仿生传感器与感知技术以及仿生智能算法。最后，我们通过讨论仿生智能与机器人学的当前挑战和未来展望来结束本次综述。