⚡ electrical engineering

Orientation Control of Soft Robots via Adiabatic Spectral Submanifolds

Diese Arbeit präsentiert ein verbessertes datengesteuertes modellprädiktives Regelungsverfahren für Soft-Roboter, das adiabatische spektrale Submanifold-Methoden nutzt, um unendlichdimensionale nichtlineare Dynamiken präzise zu erfassen, wodurch eine Reduktion der Positions- und Orientierungsverfolgungsfehler um über 60 % im Vergleich zu bestehenden Baselines erreicht wird.

Ursprüngliche Autoren: Aron Karakai, Roshan S. Kaundinya, Mike Yan Michelis, Robert Katzschmann, George Haller

Veröffentlicht 2026-09-15

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Aron Karakai, Roshan S. Kaundinya, Mike Yan Michelis, Robert Katzschmann, George Haller

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

Soft-Roboter sind die sanften Riesen der Ingenieurwelt, gebaut aus Materialien, die sich biegen, dehnen und verformen können, anstatt wie herkömmliche Metallmaschinen zu brechen oder zu mahlen. Da sie aus nachgiebigen, kontinuierlich verformbaren Substanzen bestehen, sind sie ideal für die Navigation in empfindlichen Umgebungen, in denen eine menschliche Hand zu ungeschickt oder ein Metallgreifer zu gefährlich sein könnte. Man kann sie sich als das robotische Äquivalent eines Oktopus oder eines Elefantenrüssels vorstellen, der in der Lage ist, in enge Zwischenräume zu gleiten und sicher mit zerbrechlichen Objekten zu interagieren. Diese Flexibilität macht sie jedoch unglaublich schwierig zu steuern. Im Gegensatz zu einem starren Roboterarm, der sich in vorhersehbaren, geraden Linien bewegt, hat ein Soft-Roboter eine unendliche Anzahl an Möglichkeiten, wie er sich winden und verformen kann. Um ihn präzise zu steuern, benötigt ein Computer eine perfekte Karte seiner internen Physik, aber diese Karten sind oft zu komplex, um sie in Echtzeit zu berechnen, und die genauen Gesetze, die das Verhalten des Materials bestimmen, sind häufig unbekannt.

Jahrelang haben Ingenieure versucht, dies zu lösen, indem sie entweder die Physik des Roboters in grobe Annäherungen vereinfachten oder Computer darauf trainerten, die richtigen Bewegungen durch Versuch und Irrtum zu erraten. Der erste Ansatz scheitert oft, weil er die subtilen, nicht-linearen Arten ignoriert, auf die sich weiche Materialien verhalten, während der zweite enorme Mengen an Daten und leistungsstarke Simulatoren erfordert, die sich nicht immer gut auf die reale Welt übertragen lassen. Die Herausforderung bestand darin, einen Mittelweg zu finden: einen einfachen, schnellen und genauen Modellsatz der Bewegung eines Soft-Roboters zu erstellen, den ein Computer für Entscheidungen im Bruchteil einer Sekunde nutzen kann, ohne jedes einzelne Detail der internen Struktur des Roboters kennen zu müssen.

Ein Team von Forschern hat nun eine neue Methode entwickelt, um diese Lücke zu schließen und es ihnen zu ermöglichen, sowohl die Position als auch die Orientierung eines Soft-Roboterarms mit beispielloser Präzision zu steuern. Ihr Ansatz stützt sich auf ein mathematisches Konzept namens adiabatische spektrale Submanifold, das man sich als ein verborgenes, niedrigdimensionales „Skelett“ vorstellen kann, das die wichtigsten Bewegungen des Roboters erfasst, während es das chaotische Rauschen ignoriert. In der physischen Welt sind Soft-Roboter hochgradig dissipativ, was bedeutet, dass sie Energie schnell verlieren und nach einer Störung schnell zur Ruhe kommen. Die Forscher erkannten, dass die internen Vibrationen des Roboters sehr schnell ablaufen, während die Aufgaben, die wir ausführen wollen – wie etwa ein Werkzeug an einen bestimmten Ort zu bewegen – viel langsamer ablaufen. Durch die Trennung dieser beiden Geschwindigkeiten konnten sie eine vereinfachte Oberfläche identifizieren, der die Bewegung des Roboters natürlich folgt, wodurch sie die unendliche Komplexität des weichen Arms effektiv auf einen handhabbaren Satz von Regeln reduzierte.

Um diese Idee zu testen, baute das Team eine hochpräzise Simulation eines Soft-Arms namens SoPrA, der achtundzwanzig Zentimeter lang ist und von sechs internen Luftkammern angetrieben wird. Sie fügten auch einen Motor an der Basis hinzu, um den gesamten Arm rotieren zu lassen, was es ihnen ermöglichte, nicht nur zu steuern, wohin die Spitze des Arms zeigt, sondern auch, in welche Richtung sie weist. Diese Orientierungssteuerung ist entscheidend für Aufgaben wie das Einführen eines Werkzeugs oder das Inspizieren einer Oberfläche, erwies sich jedoch bei bisherigen datengesteuerten Methoden als schwierig zu erreichen. Die Forscher speisten tausende zufällige Bewegungen in die Simulation ein, um einen Datensatz zu generieren, und nutzten dann ihren neuen Algorithmus, um das zugrunde liegende „Skelett“ des Roboters direkt aus den Daten zu lernen, ohne die spezifische Steifigkeit oder das Gewicht der Materialien kennen zu müssen.

Das Ergebnis war ein neues Steuerungssystem, das in der Lage war, den zukünftigen Pfad des Roboters mit bemerkenswerter Genauigkeit vorherzusagen. Im Gegensatz zu älteren Methoden, die davon ausgingen, dass der Roboter in einer festen, statischen Position bleibt, während er winzige Anpassungen vornimmt, erlaubte dieses neue System dem Roboter, sich frei entlang seines natürlichen Pfades zu bewegen und gleichzeitig kleine Fehler auszugleichen. In ihren Tests reduzierte der neue Controller den Fehler beim Verfolgen von Position und Orientierung um mehr als sechzig Prozent im Vergleich zu bestehenden datengesteuerten Techniken. Er schnitt deutlich besser ab als lineare Modelle, die die komplexen Kurven des Roboters nicht erfassen konnten, und übertraf sogar frühere Versionen ihrer eigenen Methode, die auf statischen Annäherungen basierten. Das System war schnell genug, um in Echtzeit zu laufen, wobei die notwendigen Anpassungen in weniger als fünf Millisekunden auf einem Standard-Laptop berechnet wurden.

Vielleicht am wichtigsten ist, dass die Forscher feststellten, dass ihre Methode auch dann gut funktionierte, wenn sich der Roboter schneller bewegte, als es die Theorie streng genommen vorhergesagt hatte. Dies deutet darauf hin, dass der Ansatz robust genug für den praktischen Einsatz ist, selbst wenn die Bedingungen nicht perfekt ideal sind. Durch die Kombination eines tiefen Verständnisses der natürlichen Dynamik des Roboters mit einem flexiblen, datengesteuerten Lernprozess hat das Team ein Werkzeug geschaffen, das es Soft-Robotern letztendlich ermöglichen könnte, komplexe, feinfühlige Aufgaben in der realen Welt auszuführen – von chirurgischen Eingriffen bis hin zu Such- und Rettungseinsätzen – mit einer Anmut und Genauigkeit, die zuvor unerreichbar war.

Technische Zusammenfassung: Orientierungssteuerung von Soft-Robotern mittels adiabatischer Spektralsubmanifolden

Problemstellung
Soft-Roboter, die aus nachgiebigen Materialien konstruiert sind, gewinnen für die sichere Interaktion in empfindlichen Umgebungen zunehmend an Bedeutung. Die Steuerung ihrer Position und Orientierung ist jedoch aufgrund ihrer unendlichdimensionalen, unteraktuierten und intrinsisch nichtlinearen Dynamik eine Herausforderung. Während die modellprädiktive Regelung (Model Predictive Control, MPC) ein vielversprechendes Framework darstellt, erfordert sie präzise, recheneffiziente Modelle dieser Dynamiken. Bestehende hochpräzise Finite-Elemente-Modelle sind für die Echtzeit-Closed-Loop-Regelung zu rechenintensiv. Umgekehrt verlassen sich datengesteuerte Ansätze oft auf lineare Approximationen (z. B. Dynamic Mode Decomposition mit Control, DMDc), denen es an Vorhersagekraft für nichtlineare Systeme mangelt, oder auf Black-Box-Methoden wie Reinforcement Learning, die massive Datensätze und exakte Simulatoren erfordern.

Jüngste Arbeiten führten adiabatische Spektralsubmanifolden (aSSMs) ein, um die Dimensionalität der Soft-Roboter-Dynamik zu reduzieren, indem sie die Zeitskalentrennung zwischen schneller interner Dissipation und langsamer Aufgabenausführung ausnutzen. Bisherige aSSM-basierte MPC-Implementierungen fixierten jedoch den langsamen Input und die aSSM-Approximation für den gesamten Planungshorizont, wobei nur über kleine, schnelle Abweichungen optimiert wurde. Diese Einschränkung begrenzte die Steuerungsautorität und die Vorhersagegenauigkeit, insbesondere bei komplexen Aufgaben, die Orientierungsänderungen beinhalten.

Methodik
Die Autoren schlagen ein verbessertes aSSM-MPC-Schema vor, das diese Einschränkungen durch drei technische Fortschritte adressiert:

Vollständig zeitvariante Geometrie: Im Gegensatz zu früheren Methoden, die den langsamen Input-Verlauf fixieren, nutzt das vorgeschlagene Schema die vollständige, zeitvariante Geometrie des aSSM über den gesamten Vorhersagehorizont. Dies ermöglicht es dem Controller, sowohl über die langsame Input-Komponente ( $u_s$ ) als auch über die schnelle Abweichungs-Komponente ( $u_d$ ) unabhängig voneinander zu optimieren.
Orientierungs-Observablen: Um die Orientierungssteuerung zu ermöglichen, führen die Autoren eine spezifische Menge an Observablen ein. Anstatt Euler-Winkel zu verwenden, die modulare Arithmetik erfordern, definieren sie die Orientierung über einen Vektor $r_2$ , der vom Zentrum des Endeffektors zu einem Punkt an dessen Rand zeigt, zusammen mit dem Positionsvektor $r_1$ . Dieser Ansatz nutzt die Ausdrucksstärke von Lie-Gruppen- $SO(3)$ -Beschreibungen, ohne den Rechenaufwand modularer Beschränkungen in datengesteuerten Modellierungen.
Datengesteuerter Modellaufbau: Das dimensionsreduzierte Modell wird konstruiert durch:
- Lernen einer kritischen Mannigfaltigkeit $L_0$ , die statische Inputs auf stationäre Zustände abbildet.
- Identifizierung eines globalen Spektralraums ( $E_{global}$ ) aus abklingenden Trajektorien.
- Anpassung polynomieller Parametrisierungen für die Spektralsubmanifolden ( $W$ ) und die reduzierten Dynamiken ( $R$ ) als Funktionen der reduzierten Koordinaten und des statischen Inputs.
- Lernen einer linearen Steuerungsmatrix ( $B$ ), um schnelle Input-Abweichungen zu berücksichtigen.
- Die gesamte Pipeline ist in einer neuen Python-Bibliothek, aSSMPy, implementiert.

Der Regelkreis verwendet ein sequenzielles konvexes Programmierverfahren (GuSTO), um das MPC-Optimierungsproblem zu lösen, wobei die Abweichung der Arbeitsraumkoordinaten von einer Zieltrajektorie minimiert wird, während Input-Beschränkungen und Slew-Raten eingehalten werden.

Zentrale Beiträge
Die Arbeit leistet folgende spezifische Beiträge:

Erweitertes aSSM-MPC-Schema: Ein Algorithmus, der über sowohl langsame als auch schnelle Input-Komponenten unter Verwendung der vollständigen aSSM-Geometrie optimiert und damit die Vorhersagegenauigkeit und Steuerungsautorität im Vergleich zu statischen Approximationen signifikant verbessert.
Orientierungssteuerungs-Framework: Eine neuartige Menge an Observablen und eine Steuerungsformulierung, die die aSSM-Reduktion erfolgreich auf die kombinierte Positions- und Orientierungssteuerung eines weichen kontinuierlichen Arms anwendet.
Open-Source-Implementierung: Die Veröffentlichung von aSSMPy, einer allgemeinen Python-Implementierung für die datengesteuerte aSSM-Reduktion.

Experimentelle Ergebnisse
Die Methode wurde an einer hochpräzisen Finite-Elemente-Simulation von „SoPrA“, einem 28 cm langen, druckgesteuerten weichen Arm mit sechs Kammern und einer rotierenden Basis, evaluiert. Der Controller wurde auf zwei dynamischen Tracking-Aufgaben getestet, die komplexe Positions- und Orientierungstrajektorien beinhalten.

Leistung: Das vorgeschlagene aSSM-MPC reduzierte die Positions- und Orientierungsfehler um mehr als 60 % im Vergleich zu bestehenden linearen datengesteuerten Baselines (DMDc-MPC und Koopman-Pregain).
Vergleich zur statischen Approximation: Selbst im Vergleich zur vorherigen aSSM-MPC-Methode (die statische Approximationen verwendet) zeigte das neue Schema signifikante Verbesserungen, insbesondere bei der Orientierungsverfolgung und beim Betrieb fernab des ungestörten Gleichgewichts.
Echtzeitfähigkeit: Auf einem MacBook Pro mit einem M5 Pro Chip betrug die durchschnittliche Rechenzeit pro MPC-Iteration 4,85 ms (95. Perzentil bei 7,38 ms), was eine Echtzeitsteuerung bei einer Diskretisierungsrate von 100 Hz ermöglicht.
Robustheit: Die Methode blieb effektiv, selbst wenn die „Langsamkeitsmetrik“ ( $r_s$ ) der Aufgaben das theoretische Limit von $r_s \ll 1$ überschritt, wobei experimentelle Werte von $r_s \approx 2,7$ erreicht wurden.

Bedeutung und Ansprüche
Die Autoren behaupten, dass ihr Ansatz einen rigorosen, datengesteuerten Pfad bietet, um Soft-Roboter mit hoher Genauigkeit zu steuern, ohne explizites Wissen über die zugrunde liegenden physikalischen Gleichungen zu benötigen. Durch die Erweiterung der aSSM-Theorie zur Optimierung über vollständige, zeitvariante Inputs und Orientierung überwindet die Methode die Einschränkungen linearer Approximationen und statischer Mannigfaltigkeitsannahmen.

Die Arbeit betont, dass die Methode vollständig datengesteuert ist und nur einen moderaten Trainingsdatensatz erfordert, wodurch sie sich gut für den direkten Einsatz auf physischer Hardware eignet. Die Autoren merken an, dass diese Arbeit zwar den Ansatz in der Simulation validiert, der nächste unmittelbare Schritt jedoch die physische Validierung auf Hardware ist, wobei sie auf die laufenden erfolgreichen Arbeiten mit ähnlichen Methoden an seilgetriebenen Robotern verweisen. Sie identifizieren zudem die Ableitung strenger Stabilitätsgarantien für aSSM-MPC als wichtigen Forschungszweig für die Zukunft.

Mehr davon