🤖 AI

A Continual Learning Framework for Adaptive Control of Modular Soft Robots

Dieses Paper schlägt ein Framework für kontinuierliches Lernen vor, das es modularen Soft-Robotern ermöglicht, variierende Morphologien adaptiv zu steuern und moduli-spezifische Dynamiken zu erlernen, ohne vorheriges Wissen zu vergessen, was sowohl durch Simulationen als auch durch Experimente in der realen Welt validiert wurde.

Ursprüngliche Autoren: Nilay Kushawaha, Muhammad Sunny Nazeer, Baljinder Singh Bal, Cecilia Laschi, Egidio Falotico

Veröffentlicht 2026-07-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nilay Kushawaha, Muhammad Sunny Nazeer, Baljinder Singh Bal, Cecilia Laschi, Egidio Falotico

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie hätten einen Roboter aus weichen, elastischen Segmenten, wie eine Kette aus verbundenen Würstchen oder eine Raupe. Dies ist ein Modularer Weicher Roboter (MSR). Diese Roboter sind großartig, weil sie sich in enge Räume quetschen und sicher um Menschen herum bewegen können, aber sie sind unglaublich schwer zu steuern. Sie biegen, drehen und dehnen sich auf unvorhersehbare Weise, was es schwierig macht, ein Computerprogramm zu schreiben, das ihnen genau sagt, wie sie sich bewegen sollen.

Normalerweise funktioniert das alte Computerprogramm nicht mehr, wenn man ein neues Segment zum Roboter hinzufügt oder eines wegnimmt. Man muss das alte „Gehirn“ wegwerfen und ein brandneues von Grund auf neu trainieren. Das ist langsam und verschwenderisch.

Dieses Paper stellt ein neues „Gehirn“ namens SMPL (Soft Modular Progressive Learning) vor. So funktioniert es, unter Verwendung einfacher Analogien:

1. Die „immer größer werdende Bibliothek“ (Kontinuierliches Lernen)

Stellen Sie sich den Controller des Roboters wie einen Studenten vor, der das Autofahren lernt.

Der alte Weg: Wenn der Student lernt, eine Limousine zu fahren, und man ihm dann einen Lkw gibt, muss der Student alles über die Limousine vergessen und in einer Fahrschule für Lkw wieder von vorne anfangen.
Der SMPL-Weg: Dieses neue Framework ist wie ein Student, der sein Handbuch für die Limousine im Regal stehen lässt. Wenn er den Lkw bekommt, wirft er das Handbuch für die Limousine nicht weg. Stattdessen fügt er ein neues Kapitel in sein Notizbuch ein, das speziell für Lkw bestimmt ist. Er kann die Limousine immer noch perfekt fahren (weil das alte Kapitel noch da ist), und jetzt kann er auch den Lkw fahren.

In technischen Begriffen nennt das Paper dies Kontinuierliches Lernen (Continual Learning). Der Roboter lernt neue Formen (indem er Module hinzufügt oder entfernt), ohne die Fähigkeit zu „vergessen“, die alten Formen zu steuern. Er baut eine Wissensbibliothek auf, indem er neue Bücher hinzufügt, während sich der Roboter verändert, anstatt die ganze Bibliothek jedes Mal neu zu schreiben.

2. Das „Spezialisierte Team“ (Verteilte Steuerung)

Stellen Sie sich ein großes Orchester vor.

Der alte Weg: Ein einzlich Dirigent versucht, jedem Geiger, Schlagzeuger und Flötisten gleichzeitig genau zu sagen, was er zu tun hat. Wenn der Dirigent müde wird oder einen Fehler macht, leidet das ganze Orchester.
Der SMPL-Weg: Dieses Framework fungiert wie ein Dirigent, der für jede Sektion einen spezialisierten Coach engagiert. Ein Coach lehrt die Geigen, ein anderer die Schlagzeuge und so weiter.
- Jeder „Coach“ (Sub-Netzwerk) konzentriert sich nur auf sein spezifisches Instrument (Modul).
- Sie kommunizieren miteinander (laterale Verbindungen), um sich gegenseitig Tipps zu geben, aber sie verlassen sich nicht auf eine einzige Person, die alles kontrolliert.
- Der Vorteil: Wenn ein Schlagzeugstock bricht (ein Modul ausfällt), müssen Sie nur den Schlagzeug-Coach neu trainieren. Der Geigen-Coach spielt weiterhin perfekt weiter. Dies macht das System robuster und präziser.

3. Das „Sicherheitsnetz“ (Closed-Loop-Steuerung)

Das Paper beschreibt auch einen Sicherheitsmechanismus. Stellen Sie sich vor, der Roboter versucht, einen Kreis zu zeichnen.

Open-Loop (Ohne Sicherheitsnetz): Der Roboter rät die Befehle, um den Kreis zu zeichnen. Wenn er beginnt, abzuweichen, zeichnet er weiter eine krumme Linie, weil er nicht weiß, dass er falsch liegt.
Closed-Loop (SMPLs Ansatz): Der Roboter besitzt einen „Spiegel“ (ein Vorwärtsmodell), der vorhersagt, wo er sich befinden wird. Er vergleicht diese Vorhersage mit dem, wo er sein sollte. Wenn es eine Differenz (einen Fehler) gibt, speist er diesen Fehler sofort als Korrektur in sein Gehirn ein, um den nächsten Schritt anzupassen. Es ist wie eine Person, die einen Kreis zeichnet, während sie ständig auf das Papier schaut und ihre Hand in Echtzeit anpasst.

Was haben sie bewiesen?

Die Forscher testeten dieses „Gehirn“ auf zwei Arten:

In einer Computersimulation: Sie bauten einen virtuellen weichen Roboter und fügten ihm dabei Segmente hinzu (von 1 Segment bis hin zu 5 Segmenten). Das SMPL-Framework lernte, den 1-Segment-Roboter zu steuern, dann den 2-Segment-Roboter und so weiter, ohne die Fähigkeit zu verlieren, die 1-Segment-Version zu steuern. Es arbeitete besser als andere Standard-KI-Methoden.
An einem echten Roboter: Sie bauten einen echten, physischen Roboter mit drei weichen, luftgefüllten Segmenten. Sie testeten ihn auf einem echten Tisch. Der Roboter folgte erfolgreich komplexen Pfaden (wie Kreisen, Rechtecken und Spiralen) mit hoher Präzision. Der „Team von Coaches“-Ansatz (verteilte Steuerung) war genauer als der „einzelne Dirigent“-Ansatz.

Das „Intelligente Energiespar-Experiment“

Schließlich zeigten sie, dass der Roboter auf eine kluge Art und Weise „faul“ sein kann.

Der Test: Sie baten den Roboter, einen bestimmten Punkt in der Luft zu erreichen.
Der Trick: Anstatt alle drei Segmente zu benutzen, um den Punkt zu erreichen, fand der Roboter heraus, dass er nur das mittlere Segment benötigte. Er schaltete die anderen beiden aus, um Energie und Rechenleistung zu sparen.
Das Ergebnis: Falls das mittlere Segment nicht ausreichte, „weckte“ er das erste Segment auf, um zu helfen. Er nutzte nur die minimale Anzahl an Teilen, die nötig waren, um die Aufgabe zu erledigen.

Zusammenfassung

Dieses Paper präsentiert eine neue Art, weiche Roboter zu steuern. Anstatt den Roboter zu zwingen, jedes Mal alles neu zu lernen, wenn er seine Form ändert, fügt dieses System neue Fähigkeiten hinzu, ohne alte zu vergessen. Es zerlegt die Steuerungsaufgabe zudem in kleinere, spezialisierte Aufgaben, was den Roboter präziser und widerstandsfähiger macht. Es ist, als würde man einem weichen Roboter ein Gehirn geben, das mit ihm wächst, anstatt eines, das jedes Mal ersetzt werden muss, wenn der Roboter sein Outfit wechselt.

Technische Zusammenfassung: Ein kontinuierliches Lernframework für die adaptive Steuerung modularer Soft-Roboter

Problemstellung
Modulare Soft-Roboter (MSRs) bieten aufgrund ihrer Nachgiebigkeit und Rekonfigurierbarkeit erhebliche Vorteile in unstrukturierten Umgebungen. Die Steuerung von MSRs stellt jedoch einzigartige Herausforderungen dar, die aus ihren nichtlinearen Dynamiken, ihrer Hyper-Redundanz und komplexen Materialeigenschaften resultieren. Bestehende Steuerungsstrategien stehen vor zwei primären Einschränkungen:

Mangelnde Adaptivität gegenüber morphologischen Änderungen: Die meisten Controller setzen eine feste Roboter-Morphologie voraus. Wenn Module angefügt oder entfernt werden, muss der Controller typischerweise von Grund auf neu trainiert werden, wobei zuvor erworbenes Wissen nicht genutzt wird.
Skalierbarkeit und Robustheit in festen Konfigurationen: Für MSRs mit festen Morphologien verlassen sich konventionelle Ansätze oft auf einen einzelnen zentralisierten Controller. Dies begrenzt die Modularität, reduziert die Skalierbarkeit für Roboter mit vielen Modulen und schafft ein System, das anfällig für Fehlerfortpflanzung ist. Zudem kann, wenn ein spezifisches Modul ausfällt (z. B. durch eine Perforation), das gesamte zentralisierte Modell ein Retraining erfordern.

Methodik: Soft Modular Progressive Learning (SMPL)
Die Autoren schlagen SMPL vor, ein Kontrollframework, das auf Continual Learning (CL) und Progressive Neural Networks (PNN) basiert. Das Framework adressiert das Problem des katastrophalen Vergessens (catastrophic forgetting) und ermöglicht gleichzeitig inkrementelles Lernen sowie verteilte Steuerung.

Architektur: Das SMPL-Framework nutzt eine progressive Architektur, bei der jeder neuen MSR-Konfiguration (oder jedem Modul in einer festen Konfiguration) ein dediziertes Sub-Netzwerk zugewiesen wird.
- Laterale Verbindungen: Um den Wissenstransfer zu erleichtern, werden laterale Verbindungen zwischen dem aktuellen Sub-Netzwerk und allen zuvor gelernten Sub-Netzwerken hergestellt. Die Parameter der bestehenden Sub-Netzwerke werden eingefroren, um vorangegangenes Wissen zu bewahren, während neue Sub-Netzwerke mit zufälliger Initialisierung trainiert werden.
- Mathematische Formulierung: Die verborgene Repräsentation der $i$ -ten Schicht im $k$ -ten Sub-Netzwerk kombiniert einen Eigenbeitrag des aktuellen Sub-Netzwerks mit einem lateralen Beitrag der vorherigen Sub-Netzwerke (Gleichung 1).
Closed-Loop-Training: Das Framework arbeitet in einer Closed-Loop-Konfiguration. Ein Inversmodell (der Controller) sagt Aktuationsbefehle basierend auf der Zielpose und dem aktuellen Task-Space-Fehler voraus. Diese Befehle werden an ein vortrainiertes, fixes Forward Dynamics Model (basierend auf LSTM) übergeben, welches die resultierende Pose vorhersagt. Der Fehler zwischen der vorhergesagten und der Zielpose wird als Input in das Inversmodell zurückgeführt, um das Training zu stabilisieren und den Task-Space-Fehler zu reduzieren.
Trainingsdaten: Das System wird mit „Motor Babbling“-Daten trainiert, bei denen zufällige Aktuationssignale angewendet werden, um den Arbeitsraum zu explorieren.
Experimentelle Szenarien:
- Exp1S (Inkrementelle Morphologie): Das Framework lernt sequenziell, während Module hinzugefügt werden (von 1 bis 5 Module). Es muss die Aktuation für die aktuelle Konfiguration vorhersagen, während es gleichzeitig die Fähigkeit behält, vorherige Konfigurationen ohne Retraining zu steuern.
- Exp2S & Exp2R (Verteilte Steuerung): Für einen MSR mit drei Modulen in fester Konfiguration nutzt das Framework einen verteilten Ansatz, bei dem jedes Sub-Netzwerk die spezifische Dynamik eines Moduls lernt. Dies ermöglicht eine lokalisierte Steuerung und das Potenzial, nur das betroffene Modul neu zu trainieren, falls eine Degradation auftritt.

Wesentliche Beiträge

Inkrementelle Adaption: Der Vorschlag eines CL-basierten Frameworks, das es MSRs ermöglicht, sich an neue morphologische Konfigurationen (Anfügen/Entfernen von Modulen) anzupassen, während das Wissen über zuvor gelernte Strukturen bewahrt wird.
Verteilte Steuerung für feste Morphologien: Demonstration, dass dasselbe Framework modellspezifische Dynamiken für feste MSR-Größen lernen kann, was eine verbesserte Präzision und Skalierbarkeit im Vergleich zu zentralisierten Controllern bietet.
Umfassende Validierung: Extensive Evaluierung durch Simulation (sehnengetriebener Roboter) und reale Experimente (dreimoduliger pneumatischer Arm) über mehrere Trajektorien-Tracking-Aufgaben hinweg.
Adaptive Modulaktivierung: Eine Demonstration der Fähigkeit des Frameworks, nur die notwendigen Module selektiv zu aktivieren, um ein Ziel zu erreichen, wodurch der Rechenaufwand und der Energieverbrauch reduziert werden.

Ergebnisse

Trajektorienverfolgung (Exp1S): Das SMPL-Framework verfolgte Trajektorien erfolgreich über fünf inkrementelle Konfigurationen (1 bis 5 Module). Es zeigte die Fähigkeit, die Performance bei zuvor gelernten Konfigurationen nach dem Training auf neuen Konfigurationen beizubehalten, wodurch das katastrophale Vergessen effektiv gemindert wurde. Das Closed-Loop-Training lieferte konsistent geringere Positions- und Orientierungsfehler im Vergleich zu Open-Loop-Einstellungen.
Benchmarking (Exp2S & Exp2R): In sowohl Simulationen als auch in realen Experimenten übertraf SMPL die Benchmark-Modelle, einschließlich Multi-Layer Perceptrons (MLP), Standard-LSTM, VAE-LSTM und Bi-LSTM.
- Simulation: SMPL erreichte den geringsten Positionsfehler (3,52 mm) und Orientierungsfehler (4,69°) auf Test-Babbling-Daten.
- Realwelt: Am physischen Roboter erreichte SMPL einen Positionsfehler von 4,97 mm und einen Orientierungsfehler von 1,75°, was den Bi-LSTM-Baseline-Wert (7,49 mm und 2,47°) signifikant übertraf.
Adaptive Aktivierung: Im Erreichen-Experiment aktivierte das Framework Module dynamisch (beginnend mit dem Zielmodul, dann dem vorangehenden, dann dem nachfolgenden), um den Fehler zu minimieren. Diese selektive Aktivierung erreichte das Ziel erfolgreich mit reduzierter Aktuation im Vergleich zur gleichzeitigen Aktivierung aller Module.

Bedeutung und Ansprüche
Das Paper behauptet, dass das SMPL-Framework eine robuste Lösung für die Steuerung modularer Soft-Roboter bietet, indem es die dualen Herausforderungen der morphologischen Rekonfigurierbarkeit und Skalierbarkeit adressiert. Durch die Nutzung von Continual Learning vermeidet das System die Rechenkosten eines Neu-Trainings von Grund auf, wenn sich die Struktur des Roboters ändert. Darüber hinaus verbessert die verteilte Steuerungsarchitektur die Systemrobustheit; wenn ein spezifisches Modul degradiert oder ausfällt, muss nur das entsprechende Sub-Netzwerk neu trainiert werden, anstatt das gesamte System. Die Autoren positionieren diese Arbeit als einen Schritt hin zu effizienteren, adaptiveren und skalierbareren Soft-Robotik-Systemen, die in dynamischen Umgebungen operieren können.

Einschränkungen und Zukünftige Arbeit
Die Autoren räumen ein, dass der sequentielle Lernprozess zu längeren Trainingszeiten führt. Zukünftige Arbeiten zielen darauf ab, Meta-Learning-Prinzipien zu integrieren, um die Anpassung an neue Module zu beschleunigen. Zusätzlich planen sie, die Robustheit des Frameworks gegenüber realen Aktuator-Degradationen (z. B. Leckagen) zu untersuchen und die Architektur auf eine Aktuator-Ebene modulare Steuerung zu erweitieren, um eine feinere Präzision und Energieeffizienz zu erreichen.