4.1.1 신체로 계산하기: 복잡한 제어 알고리즘 대신 기구학적 설계와 물성을 이용해 제어 문제를 해결하는 원리

1. 서론: 제어의 패러다임 전환과 신체화된 지능의 부상

로봇 공학과 인공지능(AI)의 역사는 오랫동안 ‘이원론적(Dualistic)’ 접근 방식에 지배되어 왔다. 전통적인 관점에서 지능은 중앙 처리 장치(뇌) 내부의 논리 회로와 알고리즘에 독점적으로 존재하는 추상적인 정보 처리 과정으로 간주되었으며, 로봇의 신체는 이러한 중앙의 명령을 물리적 세계에 투사하는 수동적인 액추에이터와 기구의 집합체에 불과했다. 이러한 ‘계산주의(Computationalism)’ 패러다임 하에서 로봇 제어의 정밀도를 높이는 유일한 방법은 더 빠른 프로세서, 더 높은 해상도의 센서, 그리고 모든 환경 변수를 고려하는 더 복잡한 제어 모델을 개발하는 것이었다.1

그러나 로봇이 공장과 같은 정형화된 환경을 벗어나 예측 불가능한 비정형 환경(unstructured environment)에 진입하면서, 이러한 중앙집중식 접근법은 근본적인 한계에 봉착했다. 실시간으로 변화하는 환경의 모든 물리적 상호작용을 감지하고, 이를 디지털 모델로 변환하여 역기구학(Inverse Kinematics)과 동역학을 푼 뒤, 다시 모터 토크 명령으로 변환하는 과정은 기하급수적인 ’계산 복잡도(Computational Complexity)’를 유발한다.3 이는 시스템의 반응 속도를 저하시키고, 막대한 전력을 소모하게 하며, 무엇보다 로봇의 행동을 부자연스럽고 경직되게 만든다.

이러한 위기 속에서 등장한 **형태학적 연산(Morphological Computation)**은 제어 문제에 대한 근본적인 재해석을 제시한다. 이는 “지능이 신체를 필요로 한다(Intelligence requires a body)“는 단순한 명제를 넘어, 신체의 물리적 구조(Morphology), 재료의 물성(Material Properties), 그리고 환경과의 상호작용 역학(Dynamics) 자체가 제어에 필요한 정보 처리를 수행할 수 있다는 혁신적인 원리이다.1 롤프 파이퍼(Rolf Pfeifer)와 같은 선구자들은 이를 “뇌에서 신체로의 계산 오프로딩(Offloading computation from the brain to the body)“이라고 정의하며, 신체가 단순한 기계 장치가 아니라 정보 처리의 능동적 주체임을 강조했다.1

본 장에서는 복잡한 디지털 알고리즘을 대체하거나 보완하는 ’신체로 계산하기’의 원리를 심층적으로 탐구한다. 우리는 기구학적 설계가 어떻게 운동 궤적을 암시적으로 생성하는지, 연성 재료의 물성이 어떻게 제어의 불확실성을 흡수하는지, 그리고 최신 연구인 물리적 저장소 연산(Physical Reservoir Computing, PRC)과 기계적 신경망(Mechanical Neural Networks)이 어떻게 물질 자체를 지능형 컴퓨터로 변모시키는지 분석할 것이다.7 이는 단순한 하드웨어 설계론이 아니라, 정보와 물리가 융합된 새로운 제어 철학에 대한 논증이다.

2. 형태학적 연산의 이론적 기초와 정의

형태학적 연산을 논의하기 위해서는 먼저 ’계산(Computation)’과 ’제어(Control)’의 경계를 재정의해야 한다. 전통적인 튜링 기계(Turing Machine) 모델에서 계산은 기호(symbol)의 조작이지만, 물리적 세계에서의 계산은 시스템의 상태 변화 그 자체이다.

2.1 정의와 논쟁: 뇌의 부담을 덜어주는 신체

형태학적 연산은 학술적으로 다양하게 정의되지만, 공통적인 핵심은 **“신체 구조와 동역학이 제어 작업을 대신 수행함으로써 중앙 제어기의 계산 부하를 줄이거나 기능을 단순화하는 현상”**이다.1

• 파이퍼(Pfeifer)의 관점: 파이퍼는 동물이 근육과 건(tendon)의 탄성을 이용해 달릴 때, 뇌가 모든 근육의 수축/이완을 일일이 제어하지 않는다는 점에 주목했다. 신체의 기계적 특성이 착지 시 충격을 흡수하고 다음 도약을 위한 에너지로 변환하는 과정을 ’계산’의 일종으로 보았다.1 즉, 물리적 과정이 제어 알고리즘의 서브루틴을 대체하는 것이다.
• 뮐러(Müller)와 호프만(Hoffmann)의 분류: 이들은 형태학적 연산을 더 엄밀하게 분류하여, 단순히 제어를 돕는 ’형태학적 제어 촉진(Morphology facilitating control)’과 신체가 실제로 미지의 정보를 처리하는 ’진정한 형태학적 연산(Morphological computation proper)’을 구분했다.6 전자는 수동 보행 로봇처럼 신체가 제어기의 역할을 대신하는 경우이며, 후자는 물리적 저장소 연산(PRC)처럼 신체를 범용 컴퓨터로 활용하는 경우를 말한다.
• 비판적 시각: 일부 연구자들은 이것이 엄밀한 의미의 ’계산(Computation)’이라기보다는 물리적 현상의 활용일 뿐이라고 비판한다.9 그러나 제어 공학적 관점에서 볼 때, 목표 상태(Goal State)에 도달하기 위해 필요한 정보 처리 비용을 줄여준다는 점에서 이는 기능적으로 명백한 ’연산’의 효과를 갖는다.

2.2 정보 이론적 정량화 (Information Theoretic Quantification)

형태학적 연산은 추상적인 개념이 아니라 수학적으로 정량화 가능한 물리량이다. 정보 이론(Information Theory)을 적용하면, 로봇의 행동을 결정하는 정보의 원천을 분해할 수 있다.10

센서-모터 루프(Sensorimotor Loop)에서 시간 t의 월드 상태를 W_t, 에이전트의 액션을 A_t라고 할 때, 다음 상태 W_{t+1}을 결정하는 정보는 다음과 같이 표현된다.
I(W_{t+1}; A_t, W_t) = I(W_{t+1}; A_t | W_t) + I(W_{t+1}; W_t | A_t) - Synergy
여기서 두 번째 항인 조건부 상호 정보량(Conditional Mutual Information) I(W_{t+1}; W_t | A_t)가 바로 형태학적 연산의 양을 나타낸다.11

• 의미: 이는 “제어기(뇌)가 내린 명령(A_t)을 알고 있는 상태에서, 현재의 신체 및 환경 상태(W_t)가 미래의 상태(W_{t+1})를 얼마나 더 설명할 수 있는가?“를 묻는 것이다.
• 해석: 이 값이 높다는 것은 로봇의 다음 행동이 뇌의 명령보다 신체의 현재 상태와 물리 법칙에 의해 더 많이 결정된다는 것을 의미한다. 즉, 뇌가 세세하게 명령하지 않아도 신체가 알아서 다음 동작으로 흘러간다는 뜻이다.
• 설계 목표: 고효율 로봇 시스템의 설계 목표는 제어기 정보량 I_c를 최소화하고, 형태학적 정보량 I_m을 최대화하여 시스템의 전체 정보 처리 용량(Capacity)을 유지하는 것이다.13

3. 기구학적 설계를 통한 제어의 단순화: 기하학이 곧 알고리즘이다

형태학적 연산의 첫 번째 단계는 로봇의 ’뼈대’를 설계하는 기구학(Kinematics)에서 시작된다. 링크의 길이, 관절의 자유도, 질량 분포를 조절함으로써, 설계자는 로봇이 취할 수 있는 궤적을 물리적으로 프로그래밍할 수 있다.

3.1 수동 동적 보행(Passive Dynamic Walking): 뇌 없는 보행의 미학

1990년 태드 맥기어(Tad McGeer)가 선보인 수동 동적 보행기(Passive Dynamic Walker)는 형태학적 연산의 가장 극적인 예시이다. 이 로봇은 모터, 센서, 컴퓨터가 전혀 없지만, 적절한 경사면 위에 놓으면 중력을 에너지원으로 삼아 인간과 매우 흡사한 자연스러운 보행을 지속한다.1

3.1.1 작동 원리와 극한 주기 궤도(Limit Cycle)

수동 보행기의 보행은 제어 알고리즘에 의해 강제된 궤적이 아니다. 그것은 다리라는 이중 진자(double pendulum) 시스템이 가진 고유한 동역학적 해(solution)이다.

• 자가 안정화(Self-Stabilization): 발이 지면에 닿는 충격은 시스템의 에너지를 소산시키는 감쇠(damping) 역할을 하며, 경사면에서 얻는 위치 에너지는 이를 보충한다. 이 에너지의 균형점에서 시스템은 수학적으로 안정한 **극한 주기 궤도(Limit Cycle)**로 수렴한다.6
• 제어의 부재: 아시모(ASIMO)와 같은 전통적인 로봇이 ZMP(Zero Moment Point)를 유지하기 위해 초당 수천 번의 계산을 수행하며 억지로 넘어지지 않으려 애쓰는 반면, 수동 보행기는 “넘어지는 과정(controlled falling)” 자체를 보행으로 활용한다. 여기서 ’걷기’라는 복잡한 기능은 뇌가 아니라 다리의 길이 비율, 발의 곡률, 질량 중심의 위치라는 기구학적 파라미터에서 창발된다.1

3.2 기구학적 시너지(Kinematic Synergy): 차원의 저주를 끊다

로봇 제어의 가장 큰 난제 중 하나는 ’자유도(Degree of Freedom, DoF)의 문제’이다. 인간의 손은 20개 이상의 관절을 가지고 있지만, 우리는 20개의 근육을 개별적으로 제어하지 않는다. 뇌는 ‘쥐기’, ’펴기’와 같은 저차원의 명령을 내리고, 해부학적 구조(힘줄, 인대)가 각 관절의 구체적인 움직임을 조율한다. 이를 **시너지(Synergy)**라고 한다.

3.2.1 사례 연구: PAWS (Passive Automata With Synergies, 2025)

2025년 Nature Machine Intelligence에 발표된 PAWS 로봇은 이러한 생체 모방 기구학 설계를 로봇 공학의 정점까지 끌어올린 사례이다.15

• 문제: 4족 보행 로봇은 다리 하나당 최소 3개의 모터가 필요하여, 전체 12개 이상의 모터를 정밀 제어해야 한다. 이는 무거운 배터리와 복잡한 제어기를 요구한다.
• 해결책 (형태학적 연산 적용): 연구팀은 개(dog)의 달리기 동작에서 나타나는 운동 시너지를 분석하여, 주요 동작 패턴을 추출했다. 그리고 이를 복잡한 와이어 루팅(tendon routing)과 풀리 시스템으로 기계적으로 구현했다. 그 결과, PAWS는 12개의 관절을 단 4개의 모터만으로 제어한다.
• 작동 원리: 모터가 와이어를 당기면, 기구학적으로 연결된 관절들이 미리 설계된 비율대로 동시에 움직인다. 나머지 자유도는 관절의 스프링과 유연성(compliance)에 의해 지형에 맞춰 수동적으로 조절된다.
• 의의: 제어기는 “앞으로 가라“는 단순한 신호만 보내면 되며, 구체적인 다리의 궤적 생성과 지면 적응은 기구학적 네트워크가 ’계산’한다. 이는 고차원의 제어 공간을 기계적 구속조건(constraints)을 통해 저차원으로 투영(projection)하여 문제를 해결한 것이다.17

4. 물성(Material Properties)을 이용한 암시적 제어: 부드러움이 곧 지능이다

기구학적 설계가 로봇의 뼈대를 이용한 계산이라면, 물성을 이용한 제어는 로봇의 살과 근육에 해당하는 재료의 특성을 활용하는 것이다. 특히 소프트 로보틱스(Soft Robotics) 분야에서는 재료의 규정 준수(Compliance), 점탄성(Viscoelasticity), **비선형성(Nonlinearity)**이 제어기를 대체하는 핵심 요소로 부상했다.

4.1 임피던스 제어의 물리적 구현: 규정 준수(Compliance)

전통적인 강체 로봇은 환경과의 접촉 시 발생하는 힘을 제어하기 위해 복잡한 임피던스 제어(Impedance Control) 알고리즘을 사용한다. F = K(x_d - x) + D(\dot{x}_d - \dot{x}) 와 같은 식을 통해 가상의 스프링(K)과 댐퍼(D)를 소프트웨어적으로 구현하는 것이다. 그러나 이 방식은 센서 노이즈와 통신 지연으로 인해 완벽한 유연성을 구현하기 어렵다.18

소프트 로봇은 이를 재료의 물성으로 해결한다. 이를 **암시적 제어(Implicit Control)**라고 한다.7

• 기계적 임피던스: 로봇의 말단 장치(End-effector)를 부드러운 실리콘이나 고무로 만들면, 물체와 충돌할 때 재료 자체가 변형되며 충격을 흡수하고 접촉 면적을 늘린다. 이는 계산 비용이 ’0’인 즉각적인(Zero-latency) 피드백 루프와 같다.21
• 사례: 유니버설 재밍 그리퍼(Universal Jamming Gripper): 입자(예: 커피 가루)가 채워진 고무 주머니를 이용한 그리퍼는 물성을 이용한 제어의 극치를 보여준다. 대상 물체에 닿았을 때 내부 공기를 빼면, 입자들이 서로 맞물려(Jamming) 고체처럼 딱딱해지며 물체를 꽉 잡는다. 여기에는 물체의 3D 형상을 인식하는 비전 센서도, 손가락 관절을 제어하는 역기구학도 필요 없다. 오직 ’상전이(Phase Transition)’라는 물리 현상이 ’파지(Grasping)’라는 고난도 제어 작업을 수행한다.23

4.2 물리적 저장소 연산 (Physical Reservoir Computing, PRC)

재료의 비선형성은 단순한 충격 흡수를 넘어, 고차원의 정보 처리 장치로 활용될 수 있다. 이것이 바로 **물리적 저장소 연산(PRC)**이다. 이는 순환 신경망(RNN)의 ‘저장소 컴퓨팅(Reservoir Computing)’ 개념을 물리적 신체에 적용한 것이다.7

4.2.1 PRC의 작동 메커니즘

1. 저장소(Reservoir)로서의 신체: 로봇의 유연한 신체(예: 문어 로봇의 팔, 텐세그리티 구조)는 입력 신호(모터 명령 또는 환경 자극)를 받아 복잡하고 고차원적인 동적 반응을 보인다.
2. 커널 특성(Kernel Property): 신체의 비선형성은 저차원의 입력을 고차원 상태 공간으로 매핑(Mapping)하여, 원래는 분리하기 어려웠던 신호 패턴들을 선형적으로 분리 가능하게 만든다.25
3. 페이딩 메모리(Fading Memory): 재료의 점탄성은 과거의 입력이 현재의 변형 상태에 잔류하게 만든다. 즉, 신체 자체가 정보를 일시적으로 저장하는 단기 기억(Short-term Memory) 장치가 된다.

4.2.2 텐세그리티 로봇과 다기능 PRC (2025 연구)

2025년 도쿄대와 관련 연구진이 발표한 텐세그리티(Tensegrity) 로봇 연구는 PRC의 가능성을 한 단계 확장했다.7

• 다중 안정성(Multistability)의 활용: 텐세그리티 구조는 여러 개의 안정된 평형 상태를 가진다. 연구진은 로봇의 신체를 저장소로 활용하여, 단순한 시계열 패턴 생성뿐만 아니라 로봇의 보행 모드(걷기, 기어가기 등)를 전환하는 상위 레벨의 제어까지 수행했다.
• 훈련되지 않은 끌개(Untrained Attractors): 놀랍게도, 로봇의 신체 역학에는 훈련 데이터에 없었던 새로운 안정 상태(Attractor)들이 내재되어 있음이 밝혀졌다. 이는 로봇이 학습하지 않은 상황에서도 신체의 물리적 특성에 따라 적응적인 행동을 창발할 수 있음을 시사한다. PRC를 통해 로봇은 복잡한 비선형 제어 문제를 간단한 선형 회귀(Linear Readout) 문제로 환원하여 해결한다.28

4.3 기계적 논리(Mechanologic)와 메타물질: 생각하는 물질

형태학적 연산은 이제 제어를 넘어 논리 연산의 영역으로 진입하고 있다. 전기를 사용하지 않고 구조적 변형만으로 연산을 수행하는 **기계적 논리(Mechanologic)**는 극한 환경이나 초소형 로봇 제어의 새로운 대안이다.30

• 소프트 유체 논리(Fluidic Logic): 유연한 튜브와 밸브로 구성된 회로는 공기압의 흐름만으로 AND, OR, NOT, Memory 등의 디지털 논리를 구현한다. 2024-2025년 연구들은 이를 이용해 전자 제어 장치 없이도 장애물을 감지하고 회피하는 ‘전자 장치 없는(Electronics-free)’ 자율 로봇을 선보였다.24 이 로봇들은 센서 신호(압력)가 튜브를 타고 흐르며 기계적 밸브를 여닫는 과정 자체가 제어 알고리즘의 실행이다.
• 기계적 신경망(Mechanical Neural Networks, MNN): 2024년 이후 주목받기 시작한 MNN은 메타물질의 빔(beam) 구조가 외부 하중에 따라 강성(stiffness)을 변화시키며 스스로 학습하는 시스템이다.8 빔의 강성은 인공 신경망의 가중치(Weight)에 해당하며, 물리적 힘이 가해질 때 빔이 좌굴(buckling)되거나 변형되는 과정이 곧 학습 알고리즘(예: Backpropagation의 물리적 아날로그)이 된다. 이는 로봇의 외피(skin)나 구조재 자체가 환경에 적응하며 지능적으로 진화할 수 있음을 의미한다.

5. 제어 알고리즘과 형태학의 통합: 공진화(Co-evolution)와 시너지

형태학적 연산이 모든 디지털 제어를 대체할 수 있는 것은 아니다. 최적의 솔루션은 뇌(디지털 제어)와 신체(형태학적 연산)가 서로의 장단점을 보완하는 시너지를 창출하는 데 있다.36

5.1 트레이드오프와 최적화

• 뇌의 역할: 고수준의 계획(Planning), 목표 설정, 장기 기억, 학습, 그리고 신체가 해결하지 못하는 예외적인 상황에 대한 대처.
• 신체의 역할: 고속의 실시간 피드백, 에너지 효율적인 동작 생성, 불확실성의 필터링, 저수준의 제어 루프 처리.

이 두 가지 자원을 최적으로 배분하는 문제는 공동 설계(Co-design) 또는 공진화(Co-evolution) 알고리즘을 통해 해결된다. 최근의 심층 강화 학습(Deep Reinforcement Learning, DRL) 연구들은 로봇의 제어 정책(Policy)뿐만 아니라, 다리의 길이, 모터의 위치, 재료의 강성과 같은 형태학적 파라미터를 동시에 학습 변수로 설정하여 최적화한다.36 이를 통해 AI는 “주어진 몸을 제어하는 법“을 배우는 것이 아니라, “제어하기 가장 쉬운 몸을 만드는 법“까지 함께 배운다.

5.2 표: 제어 방식의 비교 분석

다음 표는 전통적인 명시적 제어와 형태학적 연산에 기반한 암시적 제어의 특성을 비교 분석한 것이다.

6. 결론: 기계적 지능(Mechanical Intelligence)의 시대로

“4.1.1 신체로 계산하기“는 단순히 제어 알고리즘의 보조 수단을 설명하는 챕터가 아니다. 이는 로봇 공학이 나아가야 할 새로운 지향점인 **신체화된 인공지능(Embodied AI)**의 본질을 다룬다. 복잡한 제어 알고리즘 대신 기구학적 설계와 물성을 이용한다는 것은, 제어를 ’제거’하는 것이 아니라 제어를 **내재화(Internalize)**하는 것이다.

우리는 수동 동적 보행기를 통해 중력과 기하학이 어떻게 보행 궤적을 계산해내는지 확인했으며, PAWS 로봇을 통해 생물학적 시너지가 어떻게 고차원의 제어 난제를 단순화하는지 목격했다.15 또한, 유니버설 재밍 그리퍼와 물리적 저장소 연산(PRC)을 통해 부드러운 재료의 물성이 어떻게 불확실성을 흡수하고 정보를 처리하는지 분석했다.23 더 나아가 기계적 신경망(MNN)과 같은 메타물질 기술은 물질 자체가 학습하고 적응하는 ’생각하는 물질’의 가능성을 열고 있다.8

결론적으로, 미래의 제어 시스템은 “얼마나 똑똑한 뇌(AI)를 만들 것인가“뿐만 아니라 “얼마나 똑똑한 몸(Morphology)을 설계할 것인가“에 달려 있다. 로봇 설계자는 이제 코드를 작성하는 프로그래머이자, 지능을 가진 구조를 빚어내는 조각가가 되어야 한다. 디지털 연산과 물리적 연산이 경계 없이 융합될 때, 비로소 로봇은 자연계의 생명체처럼 우아하고 효율적이며 강건하게 세상과 상호작용할 수 있을 것이다. 이러한 패러다임의 전환은 로봇 공학을 넘어 재료 과학, 컴퓨터 과학, 그리고 생물학이 만나는 융합의 지점에서 새로운 혁신을 이끌어낼 것이다.

7. 참고 자료

1. What Is Morphological Computation? On How the Body Contributes …, https://direct.mit.edu/artl/article/23/1/1/2858/What-Is-Morphological-Computation-On-How-the-Body
2. Rolf Pfeifer, Inspired Robotics Self-Organization, Embodiment, and …, https://www.robotcub.org/misc/papers/07_Pfeifer_science.pdf
3. Morphological Properties of Mass–Spring Networks for Optimal …, https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2017.00016/full
4. Gait Versatility Through Morphological Changes in a New …, https://adaptivemotion.org/AMAM2011/papers/s321.pdf
5. (PDF) Morphological Computation: Connecting Brain, Body, and …, https://www.researchgate.net/publication/220935304_Morphological_Computation_Connecting_Brain_Body_and_Environment
6. (PDF) What Is Morphological Computation? On How the Body …, https://www.researchgate.net/publication/307559761_What_Is_Morphological_Computation_On_How_the_Body_Contributes_to_Cognition_and_Control
7. Multifunctional physical reservoir computing in soft tensegrity … - arXiv, https://arxiv.org/pdf/2507.21496
8. Mechanical neural networks: architected materials that learn behaviors, https://patents.google.com/patent/US20240028882A1/en
9. Morphological Computation: Nothing but Physical Computation - MDPI, https://www.mdpi.com/1099-4300/20/12/942
10. Quantifying Morphological Computation - MDPI, https://www.mdpi.com/1099-4300/15/5/1887
11. Evaluating Morphological Computation in Muscle and DC-Motor …, https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2016.00042/full
12. Morphological Computation Explained - Emergent Mind, https://www.emergentmind.com/topics/morphological-computation
13. Embodiment and Its Influence on Informational Costs of Decision …, https://pmc.ncbi.nlm.nih.gov/articles/PMC8121084/
14. Computational role of information structure in codes and robots - arXiv, https://arxiv.org/abs/2408.12950
15. Synergy-based robotic quadruped leveraging passivity for natural …, https://d-nb.info/1367931274/34
16. (PDF) PAWS: A Synergy-Based Robotic Quadruped Leveraging …, https://www.researchgate.net/publication/374010836_PAWS_A_Synergy-Based_Robotic_Quadruped_Leveraging_Passivity_for_Robustness_and_Behavioural_Diversity
17. (PDF) Synergy-based robotic quadruped leveraging passivity for …, https://www.researchgate.net/publication/389907960_Synergy-based_robotic_quadruped_leveraging_passivity_for_natural_intelligence_and_behavioural_diversity
18. Adaptive Contact-Implicit Model Predictive Control with Online …, https://dair.seas.upenn.edu/assets/pdf/Huang2024.pdf
19. Using Extended Kalman Filter for Robot-Assisted Rehabilitation, https://eej.aut.ac.ir/article_5219_cd69f04d18995e48b839960feded7045.pdf
20. Control architecture for soft robots. It contains a dynamical systems…, https://www.researchgate.net/figure/Control-architecture-for-soft-robots-It-contains-a-dynamical-systems-based-high-level_fig2_261676111
21. An introductory review of active compliant control - ResearchGate, https://www.researchgate.net/publication/334148306_An_introductory_review_of_active_compliant_control
22. Human-Inspired Active Compliant and Passive Shared Control …, https://re.public.polimi.it/bitstream/11311/1284567/2/IEEE_TRO%20Human-Inspired%20Active%20Compliant%20and%20Passive%20Shared%20Control%20Framework%20for%20Robotic%20Contact-Rich%20Tasks%20in%20Medical%20Applications%20%28Accepted%20version%29.pdf
23. Bionic torus as a self-adaptive soft grasper in robots - ResearchGate, https://www.researchgate.net/publication/338589880_Bionic_torus_as_a_self-adaptive_soft_grasper_in_robots
24. Embodying Control in Soft Multistable Grippers from … - arXiv, https://arxiv.org/html/2407.08111v3
25. Information Processing via Human Soft Tissue - IEEE Xplore, https://ieeexplore.ieee.org/iel8/6287639/10820123/10935315.pdf
26. Soft tissue reservoir computing - IEEE Xplore, https://ieeexplore.ieee.org/iel8/6287639/6514899/10935315.pdf
27. An introduction to reservoir computing - arXiv, https://arxiv.org/html/2412.13212v1
28. Multifunctional physical reservoir computing in soft tensegrity robots, https://pubs.aip.org/aip/cha/article-abstract/35/8/083111/3357406
29. Multifunctional physical reservoir computing in soft tensegrity robots, https://arxiv.org/html/2507.21496v1
30. Origami mechanologic - PNAS, https://www.pnas.org/doi/10.1073/pnas.1805122115
31. General-purpose mechanical computing enabled by origami circuit …, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647833/
32. Soft Robotics Revolution: Filaflex 70A Enables 3D Pneumatic Logic, https://recreus.com/en/blogs/sci-articles-flexible-tpu-filaflex/soft-robotics-filaflex70a-pneumatic-logic
33. Embodying Physical Computing into Soft Robots - arXiv, https://arxiv.org/html/2510.24692v1
34. (PDF) Mechanical neural networks: An overview of self-learning …, https://www.researchgate.net/publication/392692849_Mechanical_neural_networks_An_overview_of_self-learning_metamaterials
35. Roadmap on embodying mechano-intelligence and computing in …, https://ir.amolf.nl/pub/11105/17053acceptedVersion.pdf
36. Jointly Learning to Construct and Control Agents using Deep …, https://www.researchgate.net/publication/335140207_Jointly_Learning_to_Construct_and_Control_Agents_using_Deep_Reinforcement_Learning
37. Embodied Intelligence: A Synergy of Morphology, Action, Perception …, https://www.researchgate.net/publication/388945833_Embodied_Intelligence_A_Synergy_of_Morphology_Action_Perception_and_Learning
38. Deep Reinforcement Learning Framework for Underwater …, https://www.researchgate.net/publication/355434130_Deep_Reinforcement_Learning_Framework_for_Underwater_Locomotion_of_Soft_Robot