💻 computer science

Decoupling Torque and Stiffness: A Unified Modeling and Control Framework for Antagonistic Artificial Muscles

本文提出了一种适用于多种人工肌肉的统一建模与控制框架，通过分离式力模型、级联逆动力学控制器及深度自适应交互策略，实现了在动态接触中扭矩与刚度的解耦跟踪，为肌肉骨骼对抗机器人执行自适应阻抗行为奠定了控制基础。

原作者： Amirhossein Kazemipour, Robert K. Katzschmann

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Amirhossein Kazemipour, Robert K. Katzschmann

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种让机器人像动物一样“灵活又强壮”的新方法。简单来说，作者们发明了一套控制大脑，能让机器人的“肌肉”同时独立地控制力气（扭矩）和硬度（刚度）。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成**“一个拥有超能力的双臂搬运工”**。

1. 核心难题：为什么以前的机器人做不到？

想象一下，你用手去推一堵墙。

如果你想用力推（产生扭矩），你的手臂肌肉会绷紧。
如果你想让手臂变软（降低刚度，比如去摸一只猫），你的肌肉会放松。

在自然界中，动物（比如人）有两组肌肉（比如大腿前侧的股四头肌和后侧的腘绳肌）。它们可以同时收缩（让关节变硬，像一根铁棍）或者一收一放（产生力气去移动）。这种“对抗”机制让动物既能灵活地抓握，又能稳稳地支撑重物。

但在机器人领域，以前的技术很难做到这一点。通常，机器人要么很硬但没力气，要么有劲但太僵硬，或者在碰到东西的瞬间，控制会乱套，导致动作变形。这就好比一个搬运工，要么手太软拿不住东西，要么手太硬一碰就碎。

2. 解决方案：统一的“肌肉大脑”

作者们设计了一个通用的控制框架，就像给不同类型的机器人肌肉（气动、液压、电子）都装上了同一个“大脑”。

数学模型（帕德模型）： 他们用一个简单的数学公式（帕德分式）来描述肌肉怎么工作。这就好比给所有不同品牌的“肌肉”都装上了一个通用的说明书，不管它是靠空气吹的、水压推的，还是电驱动的，大脑都能读懂。
双坐标控制（共收缩/偏置）： 这是最巧妙的地方。他们把控制指令分成了两个独立的旋钮：
- 旋钮 A（偏置）： 控制力气。就像你决定要推多大力。
- 旋钮 B（共收缩）： 控制硬度。就像你决定手臂是像橡胶一样软，还是像木头一样硬。
- 关键点： 以前这两个旋钮是连在一起的，动一个另一个也会变。现在，他们把它们解耦（Decouple）了。你可以只把力气调大，而硬度保持不变；或者只把硬度调高，而力气不变。

3. 实战演练：像生物一样适应环境

为了测试这个系统，他们模拟了机器人去接触不同硬度的表面（从像海绵一样的软表面，到像混凝土一样的硬表面）。

深度自适应策略（像章鱼触手）：
想象你的手指去摸一个东西。
- 刚开始接触时（还没陷进去），你希望手是软的，以免被弹开或造成冲击（像摸猫）。
- 一旦陷进去了（接触变深），你希望手瞬间变硬，稳住物体（像抓锤子）。
这个新系统不需要预先知道面前是软是硬。它有一个**“深度感应器”**：
- 如果接触很浅（刚碰到），它就保持低硬度，吸收冲击，保护关节。
- 如果接触很深（陷进去了），它就自动增加硬度，防止被压垮。
这就好比一个智能减震器，在遇到小坑时变软缓冲，遇到大坑时变硬支撑，完全不需要人工干预。

4. 惊人的速度

这个控制系统的反应速度极快，每秒钟能计算1000 次以上（每次不到 1 毫秒）。

比喻： 这就像你的大脑在碰到烫东西的瞬间，手会本能地缩回来，根本来不及思考。这个机器人也能做到这种“本能反应”，在碰到东西的几毫秒内就调整好了硬度和力气。

5. 总结：这意味着什么？

这项研究让机器人从“死板的机器”进化成了“灵活的生物”。

以前： 机器人要么太硬（容易撞坏东西），要么太软（拿不住重物）。
现在： 机器人可以像运动员一样，既能爆发力量（举重），又能柔和接触（拿鸡蛋），还能在碰到意外时自动调整（像弹簧一样缓冲）。

一句话总结：
作者们给机器人装上了一套**“生物级”的神经系统**，让它能像动物一样，独立控制“出多少力”和“身体多硬”，并且能根据接触的深度自动调整，从而在复杂、未知的现实世界中安全、灵活地工作。

这是一份关于论文《解耦扭矩与刚度：对抗人工肌肉的统一建模与控制框架》（Decoupling Torque and Stiffness: A Unified Modeling and Control Framework for Antagonistic Artificial Muscles）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：
对抗性人工肌肉（Antagonistic Artificial Muscles）模仿生物肌肉对，理论上可以通过“偏置（Bias）”产生净扭矩，通过“共收缩（Co-contraction）”调节机械刚度，从而实现扭矩和刚度的独立控制。然而，在实际应用中，特别是在**接触瞬态（Contact Transients）**期间（如意外碰撞或快速接触），这种独立性往往会被破坏。

非线性与动态效应： 执行器的力依赖于应变和输入的强非线性关系，且受限于速率限制和粘弹性效应。
接触瞬态的复杂性： 在接触发生后的前几十毫秒内，准静态模型往往失效，且现有的高保真模拟器难以在实时控制中反向求解。
控制目标模糊： 在快速瞬态过程中，很难区分观察到的行为是由外层阻抗调度（Outer-loop impedance scheduling）驱动的，还是由底层植物刚度调制（Plant-level stiffness modulation）驱动的。

研究目标：
构建一个统一的实时框架，能够在气动（PAMs）、电液（HASELs）和介电弹性体（DEAs）等多种人工肌肉家族上，实现独立且鲁棒的扭矩与刚度控制，即使在接触瞬态期间也能保持解耦。

2. 方法论 (Methodology)

该论文提出了一套包含统一建模、系统辨识和级联控制器的完整框架。

A. 统一建模框架 (Unified Modeling Framework)

为了覆盖不同种类的肌肉并满足实时性要求，作者提出了一种低阶、可分离的模型：

可分离的 Padé 基力定律 (Separable Padé Base Force Law)：
- 公式： $F(\alpha, x) = \alpha F_{base}(x)$ ，其中 $\alpha$ 为归一化激活度， $x$ 为内部变形状态。
- $F_{base}(x)$ 采用 Padé [2/1] 形式（有理函数），仅用 4 个系数即可捕捉非线性力 - 长度关系。
- 通用性： 通过调整激活映射（如 PAMs 使用压力，HASELs/DEAs 使用电压平方），该模型可统一描述 PAM、HASEL 和 DEA。参数 $d_1$ 用于区分简单的多项式关系（ $d_1=0$ ）和具有饱和特性的复杂非线性（如 HASEL 的水力限制， $d_1 \neq 0$ ）。
最小二状态动态包 (Minimal Two-State Dynamic Wrapper)：
- 引入两个状态来捕捉带宽限制和内部粘弹性：
  - 驱动状态 $a(t)$ ： 过滤物理输入命令（电压/压力），模拟执行器响应延迟。
  - 内部变形状态 $x(t)$ ： 与 Kelvin-Voigt 分支串联，模拟粘弹性效应（ $F = k_s(\epsilon - x) + \eta(\dot{\epsilon} - \dot{x})$ ）。
- 该模型在保持低计算复杂度的同时，能够准确预测瞬态响应。

B. 级联逆动力学控制器 (Cascaded Inverse-Dynamics Controller)

控制器运行在**共收缩/偏置坐标（Co-contraction/Bias Coordinates）**下，以实现解耦：

坐标变换：
- $c_\alpha = (\alpha_1 + \alpha_2)/2$ ：控制共收缩，主要调节刚度 ( $K$ )。
- $b_\alpha = (\alpha_1 - \alpha_2)/2$ ：控制偏置，主要调节扭矩 ( $T$ )。
架构：
1. 外层阻抗环（可选）： 根据位置误差生成期望扭矩 $T_{des}$ 。
2. 内层命令求解器： 接收期望扭矩 $T_{des}$ $T_{d es}$ 和期望机械刚度 $K_{mech,des}$ $K_{m ec h, d es}$ ，通过逆动力学计算所需的归一化命令 $u$ $u$ 。
  - 使用**阻尼高斯 - 牛顿法（Levenberg-Marquardt）**进行前馈求解。
  - 结合 PI 反馈 修正误差，反馈在去偏置的命令坐标中进行。
实时性能： 每个控制周期（1ms）的计算时间小于 1ms（实测约 620 $\mu s$ ）。

C. 深度自适应交互策略 (Depth-Adaptive Interaction Policy)

提出了一种受生物启发的策略，无需显式的表面标签（如“软”或“硬”），仅根据穿透深度 ( $\delta$ ) 动态调度刚度：

策略： $K_{mech,des}(\delta) = K_{low} + (K_{high} - K_{low}) \min(1, \delta/\delta_{char})$ 。
逻辑： 在浅穿透（通常对应刚性接触）时保持低刚度以吸收冲击；随着穿透加深（通常对应软表面），增加刚度以维持稳定性。

3. 关键贡献 (Key Contributions)

统一的低阶肌肉模型： 提出了一种适用于 PAM、HASEL 和 DEA 的 Padé [2/1] 力模型，辅以最小二状态动态包。该模型在 HASEL 硬件上验证，实现了亚牛顿级的预测精度（RMSE = 0.78 N），且无需针对特定执行器设计复杂的内部状态。
亚毫秒级解耦控制器： 开发了一种级联逆动力学控制器，能够在 <1ms 的控制周期内独立跟踪扭矩和刚度指令。实验表明，在存在外部干扰（1.0 N·m）时，闭环控制的扭矩误差比开环控制低 29 倍。
深度自适应交互与消融研究：
- 验证了“固定扭矩下的刚度阶跃”能力，证明在刚度切换过程中扭矩调节不受影响。
- 通过严格的2x2 归因审计（Attribution Audit），量化了外层虚拟刚度调度与底层机械刚度调制在接触瞬态中的各自贡献，揭示了冲击/负载与稳定性之间的权衡关系。

4. 实验结果 (Results)

实验在仿真环境中进行，涵盖了从软到硬的多种接触环境（5, 60, 500 N·m/rad）。

解耦能力验证：
- 在固定扭矩下进行刚度阶跃测试（Stiffness-step test），控制器成功保持了扭矩稳定，扭矩扰动显著低于耦合基线。
- 在 1.0 N·m 干扰下，闭环控制的扭矩 RMSE 仅为 0.0042 N·m，而开环为 0.123 N·m。
接触交互性能（深度自适应 vs. 固定刚度）：
- 刚性表面（Rigid）： “固定低刚度”策略显著降低了冲击峰值和累积负载（比固定高刚度好），但“深度自适应”策略在保持低冲击的同时，避免了固定低刚度在软表面上的稳定性问题。
- 软表面（Soft）： “固定高刚度”提供了最佳的稳定性（settling time 和稳态误差最小），但会导致刚性接触时的过大冲击。
- 深度自适应策略： 在刚性接触时的冲击表现接近“固定低刚度”，在软表面时的稳定性接近“固定高刚度”，成功在两者之间取得了平衡，且无需显式的表面分类。
归因分析：
- 在标称条件下，刚性接触下的负载减少主要源于机械刚度调制（A0B1）和虚拟刚度调制的共同作用。
- 在挑战性条件（初始速度较高）下，不同策略的表现显示出对接触剖面的敏感性，证明了深度自适应策略的鲁棒性。

5. 意义与结论 (Significance & Conclusion)

理论意义： 该工作超越了名义上的解耦，证明了在接触动力学发生突变时，通过统一的建模和级联控制，可以保持扭矩和刚度控制的可靠性与可解释性。它澄清了外层阻抗调度与底层植物刚度调制在瞬态过程中的具体贡献。
工程应用： 为基于肌肉骨骼的机器人（Musculoskeletal Robots）提供了一套实用的控制基础。该系统能够在未结构化的真实环境中，通过自适应阻抗行为实现更安全、更鲁棒的交互。
局限性： 目前结果主要基于仿真（简化的线性弹簧 - 阻尼环境），且模型辨识仅针对 HASEL 执行器。未来的工作将扩展到 PAM 和 DEA 硬件验证，以及多自由度系统的耦合控制。

总结： 这篇论文通过提出一个统一的、计算高效的建模与控制框架，成功解决了人工肌肉在接触瞬态期间扭矩与刚度解耦困难的问题，为下一代具有生物启发特性的软体机器人交互控制奠定了坚实基础。