综述：信息具身化：编码与机器人中信息结构的计算作用

这篇综述创新性地提出将机器人身体视为物理通信通道，通过信息论（IT）框架解析传感器精度、电机准确性及形态几何如何塑造信息结构。核心观点包括熵最大化原则（PEM）在生物（Barlow, 1969）与机器人设计中的普适性，以及高效编码（如Turbo码、压缩感知）如何突破香农极限，实现低精度设备（Rin ??Rout ）的高性能控制。文中融合形态计算（Morphological Computation）、储备池计算（RC）等概念，为仿生机器人及AI系统开发提供理论基石。

　　

信息具身化：编码与机器人中信息结构的计算作用

1. 引言

传统机器人依赖高精度传感器与电机（R_in
≈R_out
），而生物系统却能以低精度组件（R_in
??R_out
）实现卓越性能。这一矛盾启发研究者从信息论（IT）角度重新审视“身体作为通信通道”的假说。Claude Shannon的源码定理揭示：通过高效编码（如随机矩阵、低密度奇偶校验码），即使噪声信道也能实现无损传输。类似地，机器人身体形态（如传感器布局、关节冗余）可通过熵最大化（PEM）优化信息流，从而在硬件限制下提升控制效率。

2. 高效编码：身体作为信息通道

生物高效编码范例：人类视神经仅用100万节神经元传递1.2亿视网膜感光细胞的信息，依赖“白化”机制消除冗余。类似地，运动协同（Motor Synergies）将肌肉群简化为脊髓层面的压缩编码，降低控制维度。技术应用：Turbo码与压缩感知（Compressive Sensing）利用随机投影，以k个低分辨率样本（R_y
）重构高维信号（R_x
），满足logR_x
≈klogR_y
。例如，8个二值开关传感器可等效于256级精度的相机（log₂
256=8），验证了离散化与随机性的计算优势。

3. 案例解析

形态信息等效性：三指机械手（27自由状态）抓取物体时熵骤降至3状态，显示约束动作的降维效应。感觉阵列优化：分布式低分辨率传感器通过空间组合逼近高精度设备，如20个1-bit角度传感器+6阶时间导数可等效13-bit分辨率。运动控制：Fitts定律揭示动作带宽受log(距离/精度)限制，而婴儿通过“运动咿呀”（Motor Babbling）探索身体动力学，快速建立信息等效的控制编码。

4. 实验：软体触手的熵分析

硅胶触手在水中随机运动的追踪数据显示，末端标记的像素变化范围（340×68）远超基部（86×28）。通过1-bit角度传感器时空组合（20传感器+6阶导数），可生成10^3.89
种状态，匹配高分辨率相机的信息量。这一结果印证了“低精度元件组合实现高分辨率感知”的IT原理，为仿生软体机器人设计提供量化依据。

5. 讨论

信息最大化：身体形态（如冗余关节）与算法协同可突破硬件限制，例如软体机器人通过非线性动力学实现储备池计算（RC）。理论融合：形态计算（Morphological Computation）强调身体结构的信息处理能力，而物理储备池计算将材料动力学转化为计算资源。例如，章鱼触手的神经肌肉结构天然具备分布式编码能力，与IT中的随机网络特性不谋而合。

未来方向：结合熵量化工具与生物启发设计，可开发出适应不确定环境的机器人系统，其核心在于利用身体形态的固有信息结构——正如婴儿通过随机运动探索世界，最终实现“用最少资源，做最多事情”的智能具身化。