Giáo sư Daniela Rus tại một sự kiện công nghệ ở Geneva năm 2025. Ảnh: Xuthoria/Wikimedia Commons, CC BY-SA 4.0

Cái khó bắt đầu từ chính sự mềm dẻo

Một cánh tay robot bằng kim loại thường chuyển động quanh những khớp có hình học tương đối xác định. Robot mềm lại được chế tạo từ vật liệu có khả năng uốn, giãn và biến dạng, giúp nó phù hợp hơn với những công việc cần tiếp xúc nhẹ nhàng hoặc thích ứng với vật thể. Nhưng ưu điểm ấy cũng tạo ra bài toán điều khiển khó hơn: thay đổi tải trọng, luồng khí hay một lỗi phần cứng nhỏ đều có thể làm hình dạng và quỹ đạo của robot lệch khỏi dự kiến.

Khả năng len lỏi nhờ cấu trúc mềm đã được thể hiện trong robot mềm hỗ trợ cứu hộ trong đống đổ nát, nơi thiết bị dạng cây nho có thể đi qua những không gian hẹp mà robot cứng khó tiếp cận. Công trình mới có Daniela Rus tham gia xử lý một nút thắt khác: làm thế nào để robot mềm không phải thiết kế lại bộ điều khiển cho từng nhiệm vụ và vẫn biết điều chỉnh khi điều kiện thay đổi.

Nghiên cứu công bố trên Science Advances đầu năm 2026 do nhóm Mens, Manus and Machina thuộc Singapore-MIT Alliance for Research and Technology cùng National University of Singapore dẫn dắt, với các cộng sự từ MIT và Nanyang Technological University. Giáo sư Daniela Rus, người có bằng tiến sĩ khoa học máy tính từ Cornell University và hiện giữ ghế Giáo sư Panasonic về Khoa học máy tính tại MIT, tham gia với vai trò đồng chủ nhiệm nghiên cứu tại M3S và đồng tác giả liên lạc của bài báo. Vì vậy, kết quả này cần được nhìn nhận là sản phẩm của một nhóm hợp tác, không phải phát minh riêng của nữ giáo sư.

Giáo sư Daniela Rus, nhà nghiên cứu robot và trí tuệ nhân tạo tại MIT. Ảnh: Xuthoria/Wikimedia Commons, CC BY-SA 4.0

Học kỹ năng nền trước, điều chỉnh khi đang làm việc

Bộ điều khiển được xây dựng với hai thành phần mà nhóm nghiên cứu gọi theo cách mô phỏng các liên kết thần kinh. Các “liên kết cấu trúc” được huấn luyện ngoại tuyến bằng những chuyển động nền, chẳng hạn uốn hoặc duỗi cánh tay. Phần kiến thức này tạo thành bộ kỹ năng cơ sở để robot không phải bắt đầu lại từ đầu mỗi khi chuyển sang một yêu cầu mới.

Trong lúc robot hoạt động, nhóm “liên kết dẻo” tiếp tục cập nhật để phản ứng với trạng thái đang xảy ra. Một cơ chế kiểm soát ổn định được đặt trong hệ thống nhằm hạn chế việc quá trình thích nghi làm chuyển động trở nên mất kiểm soát. Cách kết hợp này hướng tới ba yêu cầu vốn khó đạt đồng thời ở robot mềm: tận dụng kiến thức giữa nhiều nhiệm vụ, phản ứng nhanh trước nhiễu và duy trì ổn định trong quá trình điều chỉnh.

Vì thế, cụm “học một lần” không nên được hiểu rằng robot chỉ cần học một ví dụ rồi có thể làm mọi việc. Phần được học trước là một tập chuyển động và kỹ năng nền; khi hoạt động, hệ thống vẫn phải cập nhật phần điều khiển thích nghi theo dữ liệu mới. Điểm mới nằm ở việc robot không phải huấn luyện lại toàn bộ mô hình cho mỗi thay đổi mà nó gặp phải.

Bài toán phần mềm này bổ sung cho một nhánh phát triển khác của robot mềm là cải tiến vật liệu và bộ truyền động. Chẳng hạn, công nghệ sợi siêu mỏng cho robot mềm và thiết bị đeo tập trung tạo những sợi polymer có thể uốn, co hoặc tạo chuyển động ba chiều khi được kích hoạt bằng điện. Một robot mềm đủ linh hoạt về vật liệu nhưng thiếu khả năng điều khiển thích nghi vẫn khó làm việc ổn định khi ra khỏi điều kiện thí nghiệm quen thuộc.

Thử robot bằng tải trọng, gió và lỗi bộ truyền động

Hệ thống được kiểm nghiệm trên hai nền tảng vật lý khác nhau: một cánh tay mềm dẫn động bằng cáp và một cánh tay sử dụng hợp kim nhớ hình. Các nhiệm vụ thử nghiệm gồm bám quỹ đạo, đặt vật thể và kiểm soát toàn bộ hình dạng cánh tay. Việc dùng hai cấu trúc robot khác nhau là một bước kiểm tra quan trọng đối với tuyên bố rằng cùng một cách điều khiển có thể chuyển sang nhiều nền tảng.

Trong các thử nghiệm có nhiễu mạnh, nhóm báo cáo sai số bám quỹ đạo giảm 44–55%. Độ chính xác hình dạng vẫn trên 92% khi thay đổi tải, gặp luồng khí hoặc xảy ra lỗi bộ truyền động; hệ thống cũng duy trì hoạt động ổn định trong các thử nghiệm khi tới một nửa số bộ truyền động bị lỗi. Riêng thử nghiệm cánh tay phải giữ hình chữ C dưới tác động của quạt đạt 93,8% độ chính xác ở tình huống khó nhất được báo cáo.

Ảnh minh họa một robot mềm tự hành trong nghiên cứu khác; không phải thiết bị của nhóm Daniela Rus. Ảnh: Hdehqani/Wikimedia Commons, CC BY-SA 4.0.

Những con số trên cho thấy khả năng chống nhiễu trong phạm vi thí nghiệm đã được đo bằng thiết bị thật, nhưng chưa đủ căn cứ để gọi đây là một robot chăm sóc, robot y tế hay sản phẩm công nghiệp sẵn sàng đưa ra thị trường. Công trình mới được xác nhận trên hai nền tảng và nhóm nghiên cứu cho biết bước tiếp theo là mở rộng sang hệ thống tốc độ cao hơn, môi trường phức tạp hơn và các hệ tự hành ngoài phòng thí nghiệm.

Từ robot “biết học” đến robot biết giữ mình ổn định

Khái niệm robot có khả năng học không còn mới. Robot NEO có khả năng tự học trong gia đình, chẳng hạn, được giới thiệu với các mô hình AI và khả năng bổ sung kỹ năng mới. Tuy nhiên, việc một sản phẩm được mô tả là “biết học” khác với câu hỏi mà nghiên cứu của nhóm có Daniela Rus đặt ra: liệu bộ điều khiển có thể đo được khả năng chuyển kỹ năng, thích nghi trước nhiễu và giữ ổn định trên robot mềm hay không.

Hướng ứng dụng được nhóm nghiên cứu đề cập gồm robot hỗ trợ con người, phục hồi chức năng, thiết bị y tế mềm và tay máy công nghiệp. Đây vẫn là những hướng tiềm năng chứ chưa phải các sản phẩm đã được chứng minh hiệu quả trong chăm sóc bệnh nhân hay sản xuất quy mô lớn. Khoảng cách cần vượt qua nằm ở tốc độ, độ phức tạp của môi trường và khả năng duy trì độ tin cậy khi robot phải hoạt động lâu dài ngoài phòng thí nghiệm.

Đóng góp đáng chú ý của Daniela Rus trong công trình này vì thế không nằm ở một cánh tay robot cụ thể. Với vai trò đồng tác giả liên lạc và đồng chủ nhiệm nghiên cứu M3S, bà cùng tập thể đặt trọng tâm vào lớp điều khiển giúp nhiều cấu trúc robot mềm tận dụng kỹ năng đã học rồi tiếp tục điều chỉnh khi thế giới xung quanh thay đổi. Nếu hướng nghiên cứu này vượt qua được những thử nghiệm phức tạp hơn, giá trị của nó sẽ nằm ở việc robot không chỉ thực hiện đúng một động tác đã chuẩn bị sẵn, mà còn giữ được hành vi ổn định khi điều kiện thực tế không còn giống lúc huấn luyện.