This paper presents a new class of thin, dexterous continuum robots, which we call active cannulas due to their potential medical applications. An active cannula is composed of telescoping, concentric, precurved superelastic tubes that can be axially translated and rotated at the base relative to one another. Active cannulas derive bending not from tendon wires or other external mechanisms but from elastic tube interaction in the backbone itself, permitting high dexterity and small size, and dexterity improves with miniaturization. They are designed to traverse narrow and winding environments without relying on ldquoguidingrdquo environmental reaction forces. These features seem ideal for a variety of applications where a very thin robot with tentacle-like dexterity is needed. In this paper, we apply beam mechanics to obtain a kinematic model of active cannula shape and describe design tools that result from the modeling process. After deriving general equations, we apply them to a simple three-link active cannula. Experimental results illustrate the importance of including torsional effects and the ability of our model to predict energy bifurcation and active cannula shape.

Summary Active sensing involves the production of motor signals for the purpose of acquiring sensory information [1–3]. The most common form of active sensing, found across animal taxa and behaviors, involves the generation of movements—e.g. whisking [4–6], touching [7,8], sniffing [9,10], and eye movements [11]. Active-sensing movements profoundly affect the information carried by sensory feedback pathways [12–15] and are modulated by both top-down goals (e.g. measuring weight vs. texture [1,16]) and bottom-up stimuli (e.g. lights on/off [12]) but it remains unclear if and how these movements are controlled in relation to the ongoing feedback they generate. To investigate the control of movements for active sensing, we created an experimental apparatus for freely swimming weakly electric fish, Eigenmannia virescens , that modulates the gain of reafferent feedback by adjusting the position of a refuge based on real time videographic measurements of fish position. We discovered that fish robustly regulate sensory slip via closed-loop control of active-sensing movements. Specifically, as fish performed the task of maintaining position inside the refuge [17–22], they dramatically up- or down-regulated fore-aft active-sensing movements in relation to a 4-fold change of experimentally modulated reafferent gain. These changes in swimming movements served to maintain a constant magnitude of sensory slip. The magnitude of sensory slip depended on the presence or absence of visual cues. These results indicate that fish use two controllers: one that controls the acquisition of information by regulating feedback from active sensing movements, and another that maintains position in the refuge, a control structure that may be ubiquitous in animals [23,24].

Abstract Understanding the interplay between sensory input, endogenous neural dynamics, and behavioral output is key toward understanding the principles of neural computation. Hippocampal place cells are an ideal system to investigate this closed-loop interaction, as they are influenced by both self-motion (idiothetic) signals and by external sensory landmarks as an animal navigates its environment 1–9 . To continuously update a position signal on an internal “cognitive map”, the hippocampal system integrates self-motion signals over time 10,11 . In the absence of stable, external landmarks, however, these spatial correlates of neuronal activity can quickly accumulate error and cause the internal representation of position or direction to drift relative to the external environment 1,5 . We have previously demonstrated that, in addition to their known roles in preventing and/or correcting path-integration error, external landmarks can be used as a putative teaching signal to recalibrate the gain of the path integration system 6 . However, it remains unclear whether idiothetic cues, such as optic flow, exert sufficient influence on the cognitive map to enable recalibration of path integration, or if instead an unambiguous allocentric frame of reference, anchored by polarizing landmark information, is essential for path integration recalibration. Here, we use principles of control theory 12,13 to demonstrate systematic control of place fields by pure optic flow information in freely moving animals by using a neurally closed-loop virtual reality system that adjusts optic flow speed as a function of real-time decoding of the hippocampal spatial map. Using this “cognitive clamp”, we show that we can not only bring the updating of the map under control of the optic flow cues but we can also elicit recalibration of path integration. This finding demonstrates that the brain continuously rebalances the influence of conflicting idiothetic cues to fine-tune the neural dynamics of path integration, and that this recalibration process does not require a top-down, unambiguous position signal from landmarks.

Whether walking, running, slithering, or flying, organisms display a remarkable ability to move through complex and uncertain environments. In particular, animals have evolved to cope with a host of uncertainties-both of internal and external origin-to maintain adequate performance in an ever-changing world. In this review, we present mathematical methods in engineering to highlight emerging principles of robust and adaptive control of organismal locomotion. Specifically, by drawing on the mathematical framework of control theory, we decompose the robust and adaptive hierarchical structure of locomotor control. We show how this decomposition along the robust-adaptive axis provides testable hypotheses to classify behavioral outcomes to perturbations. With a focus on studies in non-human animals, we contextualize recent findings along the robust-adaptive axis by emphasizing two broad classes of behaviors: 1) compensation to appendage loss and 2) image stabilization and fixation. Next, we attempt to map robust and adaptive control of locomotion across some animal groups and existing bio-inspired robots. Finally, we highlight exciting future directions and interdisciplinary collaborations that are needed to unravel principles of robust and adaptive locomotion.

Abstract Camera images can encode large amounts of visual information of an animal and its environment, enabling high fidelity 3D reconstruction of the animal and its environment using computer vision methods. Most systems, both markerless (e.g. deep learning based) and marker-based, require multiple cameras to track features across multiple points of view to enable such 3D reconstruction. However, such systems can be expensive and are challenging to set up in small animal research apparatuses. We present an open-source, marker-based system for tracking the head of a rodent for behavioral research that requires only a single camera with a potentially wide field of view. The system features a lightweight visual target and computer vision algorithms that together enable high-accuracy tracking of the six-degree-of-freedom position and orientation of the animal’s head. The system, which only requires a single camera positioned above the behavioral arena, robustly reconstructs the pose over a wide range of head angles (360 ◦ in yaw, and approximately ±120 ◦ in roll and pitch). Experiments with live animals demonstrate that the system can reliably identify rat head position and orientation. Evaluations using a commercial optical tracker device show that the system achieves accuracy that rivals commercial multi-camera systems. Our solution significantly improves upon existing monocular marker-based tracking methods, both in accuracy and in allowable range of motion. The proposed system enables the study of complex behaviors by providing robust, fine-scale measurements of rodent head motions in a wide range of orientations.

Abstract Controlling material shapes using information-bearing molecular signals is central to the creation of autonomous, reconfigurable soft devices. While physical and chemical stimuli can direct simple material swelling, bending, or folding, it has been challenging to direct multi-step shape-change programs crucial for complex, robotic tasks. Here, we demonstrate gel automata— sub-millimeter, photopatterned, highly swellable DNA gels—whose parts grow or shrink in response to easily designed DNA activator sequences, allowing for precisely controlled device articulation. We design and fabricate gel automata that reversibly transform between different letter shapes, and use neural networks to design automata that transform into every even or every odd numeral via designed reconfiguration programs. This sequential and repetitive metamorphosis of materials via chemical reorganization could dramatically advance our ability to manipulate micro-particles, cells, and tissues. One-Sentence Summary Photopatterned microgels follow sequences of DNA instructions to transform between complex, meaningful shapes such as letters and numerals.

The ability to transform matter between numerous physical states or shapes without wires or external devices is a major challenge for robotics and materials design. Organisms can transform their shapes using biomolecules carrying specific information and localize at sites where transitions occur. Here, we introduce gel automata, which likewise can transform between a large number of prescribed shapes in response to a combinatorial library of biomolecular instructions. Gel automata are centimeter-scale materials consisting of multiple micro-segments. A library of DNA activator sequences can each reversibly grow or shrink different micro-segments by polymerizing or depolymerizing within them. We develop DNA activator designs that maximize the extent of growth and shrinking, and a photolithography process for precisely fabricating gel automata with elaborate segmentation patterns. Guided by simulations of shape change and neural networks that evaluate gel automata designs, we create gel automata that reversibly transform between multiple, wholly distinct shapes: four different letters and every even or every odd numeral. The sequential and repeated metamorphosis of gel automata demonstrates how soft materials and robots can be digitally programmed and reprogrammed with information-bearing chemical signals.

Animals vary considerably in size, shape, and physiological features across individuals, but yet achieve behavioral performances that are virtually indistinguishable between conspecifics. We examined how animals compensate for morphophysiological variation by measuring the system dynamics of individual knifefish (Eigenmannia virescens) in a refuge tracking task. Kinematic measurements of Eigenmannia were used to generate individualized estimates of each fish's locomotor plant and controller revealing substantial variability between fish. To test the impact of this variability on behavioral performance, these models were used to perform simulated 'brain transplants'-computationally swapping controllers and plants between individuals. We found that simulated closed-loop performance was robust to mismatch between plant and controller. This suggests that animals rely on feedback rather than precisely tuned neural controllers to compensate for morphophysiological variability.

ABSTRACT While insects like Drosophila are flying, aerodynamic instabilities require that they make millisecond-timescale adjustments to their wing motion to stay aloft and on course. These stabilization reflexes can be modeled as a proportional-integral (PI) controller; however, it is unclear how such control might be instantiated in insects at the level of muscles and neurons. Here, we show that the b1 and b2 motor units—prominent components of the fly’s steering muscles system—modulate specific elements of the PI controller: the angular displacement (integral, I) and angular velocity (proportional, P), respectively. Moreover, these effects are observed only during the stabilization of pitch. Our results provide evidence for an organizational principle in which each muscle contributes to a specific functional role in flight control, a finding that highlights the power of using top-down behavioral modeling to guide bottom-up cellular manipulation studies.