在航天器狭窄拥挤的空间或坍塌建筑物的狭窄通道中，传统的机器人手臂往往会失效。这些由刚性金属连杆和锐利关节构成的机器，在绕过障碍物时难以避免碰撞或卡住。为了解决这个问题，工程师们转向了一种不同类型的机器人：连续体操纵器（continuum manipulator）。想象一下一个长长的、柔韧的脊柱，就像大象的鼻子或人类的手指一样，它可以向任何方向平滑地弯曲和扭转。因为它没有硬边，所以可以挤过狭小的缝隙，并绕过脆弱的物体而不造成损坏。这使得它们非常适合执行诸如检查空间站内部或在人体内进行手术之类的任务。然而，控制这样一台柔性机器是极其困难的。与刚性手臂那种电机运动与手臂位置之间具有可预测性的关系不同，柔性脊柱会根据摩擦力、拉伸的紧密程度以及它所接触的对象而改变形状。这种不可预测性意味着，依赖精确数学公式来预测机器人走向的标准计算机模型往往会失败，导致动作不连贯或完全失去控制。
印度理工学院卡拉格普尔分校（IIT Kharagpur）的研究人员开发出了一种控制这些柔性机器人的新方法，该方法不依赖于任何预先存在的关于机器人运动方式的数学模型。他们并没有试图提前计算弯曲脊柱的复杂物理过程，而是采用了一种在移动过程中实时学习机器人行为的方法。其核心方法是利用一种能够根据传感器实际观察到的情况，不断调整对机器人运动理解的方法。当机器人被要求将其顶端移动到新位置时，计算机做出一个小猜测，观察结果，然后立即修正其内部关于机器人能力的地图。这个过程发生得极快，以至于即使环境发生变化，或者机器人的内部摩擦表现得与预期不同，机器人也能平滑地遵循路径。研究人员在计算机模拟中测试了这一系统，引导机器人沿着三条不同的路径移动：一个光滑的圆圈、一个五边形和一个带有尖角的正方形。在每种情况下，机器人都成功地遵循了路径，到达目标时的精度小于一毫米，而且从未需要对其自身的机械特性进行校准或教学。
这项工作的一个关键创新在于系统如何管理机器人脊柱内部的力量。这类机器人通常通过拉动缆绳来控制，类似于木偶戏师拉动绳索。如果缆绳拉得太松，机器人就会变得瘫软并失去形状；如果同时在相反方向用力过猛，脊柱就会被压碎并发生折屈。新的控制系统通过主动监测背骨内部的张力来解决这个问题。它确保缆绳始终足够紧，以保持形状，但又不会紧到压缩脊柱。这是通过在每一次移动时刻求解一个复杂的优化问题来实现的，即在达到目标的需求与保持内部结构稳定之间的需求之间取得平衡。通过这样做，机器人避免了在尝试转弯或快速改变方向时经常出现的颠簸和不稳定运动。
模拟结果表明，该机器人可以处理各种形状，并表现出卓越的稳定性。在追踪圆圈时，机器人的顶端移动平滑，始终保持在理想线条的几毫米以内。当被要求遵循五边形（这需要机器人在五个不同点进行剧烈弯曲）时，系统会立即进行调整，适度平滑转角以防止脊柱折断，同时仍保持接近预定路径。最困难的测试是正方形路径，它具有四个极其尖锐的90度转角。即便如此，机器人仍能高精度地追踪路径，在直线段上的偏差仅为0.3到0.4毫米左右。该系统通过不断更新其对机器人缆绳与脊柱相互作用的理解，从而维持了这种性能，有效地实现了对机器人行为的即时学习。这种方法证明，在复杂的受限环境中，无需预先了解其机械构造的所有细节，也可以控制高度灵活的机器。
这项工作的意义在于它能够让这些机器人在不可预测的情况下更加可靠。在太空环境中，机器人可能需要检查受损的太阳能电池板或修理模块，那里充满了未知的障碍和力量。一个依赖完美模型的系统可能会因为一根缆绳稍微卡住或温度改变了材料的刚性而失效。通过使用一种从实时反馈中学习的无模型方法，机器人变得更加鲁棒。它可以无需人工干预即可适应摩擦力或负载的变化。研究人员通过证明，将这种实时学习与精细的内部张力管理相结合，可以实现足以媲美更复杂的基于模型的系统的平滑、精准的运动。这预示着未来柔性机器人在危险或非结构化环境（如灾区或深空）中的部署将拥有此前难以实现的自主性和可靠性。这项研究证实，通过让机器人教计算机如何移动，而不是强迫计算机去猜测，我们可以创造出既具有惊人灵巧性又异常坚韧的机器。
技术摘要：基于骨架张力优化的空间基连续体操作器无模型反馈控制
问题陈述
连续体操作器因其内在的灵活性和几何顺应性，正日益受到关注，使其适用于受限环境，如微创手术、搜救以及地外探测（例如国际空间站）。然而，在非结构化或受限环境中的控制受到以下因素的阻碍：
- 建模局限性： 无限维的骨架变形、未建模的内部摩擦以及与构型相关的刚度，使得精确的基于模型的运动学公式难以构建。
- 控制不稳定性： 过度依赖精确的几何和机械参数会导致不准确的雅可比矩阵预测、人工奇异点以及在外部扰动或接触力发生时出现不稳定的驱动。
- 协同激活问题： 传统的无模型方法通常仅强制执行腱索张紧以避免松弛。它们未能显式地调节由拮抗腱拉动引起的内部轴向压缩（协同激活），这种现象会损害骨架刚度、增加曲率滞后并诱发失稳（屈曲）。
因此，纯基于模型的控制器在受限且非结构化的环境中表现挣扎，迫切需要一种鲁棒的、与模型无关的替代方案。
方法论
作者提出了一个完整的无模型反馈控制框架，该框架绕过了对精确运动学或动力学建模的需求。该方法的核心在于通过微分凸更新进行在线精细化处理的经验初始化雅可比矩阵，并集成了一种新型的骨架张力优化项。
1. 运动学建模与初始化
- 代理前向运动学： 为了取代复杂的非线性弹性模型，仅使用一个简单的代理几何模型（基于恒定曲率近似和仿射映射）进行初始化。该模型仅用于提供一致的末端位移预测，以计算初始有限差分雅可比列。
- 经验雅可比估计： 任务空间雅可比矩阵（J）并非通过解析推导，而是通过在线估计获得。通过独立扰动驱动器并测量产生的末端位移来进行初始化。为防止数值病态，雅可比矩阵的列通过其欧几里得范数进行缩放，以创建一个归一化的映射。
2. 骨架张力优化
这项工作的关键创新在于显式调节内部骨架轴向力（Tbb）以及腱索张力。
- 定义： 对于三腱系统，骨架张力定义为左、右腱索张力的平均值（Tbb=(τℓ+τr)/2）。
- 目标： 控制器显式地最小化协同激活，以抑制压缩饱和并维持纵向刚度，而非仅仅将张力最小化视为一种能量目标。这可以防止在受限运动期间发生屈曲。
3. 控制架构：双重凸优化
控制循环通过实时二次规划（QP）运行，该程序计算驱动器增量（Δy）以追踪期望轨迹（Δxd）。
- 优化目标： QP 最小化以下各项的加权和：
- 任务空间追踪误差（∥JΔy−Δx∥2）。
- 张力积聚与协同激活载荷（∥τ+KΔy∥2）。
- 驱动器变化幅度，以抑制剧烈波动（∥Δy−Δyk−1∥2）。
- 约束条件： 优化过程强制执行：
- 避免松弛： 腱索张力必须高于最小阈值（τ≥τmin）。
- 几何限制： 驱动器位移和总位置边界。
- 张力限制： 上限以保护机械完整性。
- 在线自适应： 在每个控制步，雅可比矩阵通过一个最小扰动凸程序进行更新。该更新过程通过最小化雅可比增量（ΔJ）的 Frobenius 范数来匹配测量的位移。更新通过指数校正和元素裁剪进行平滑处理，以防止噪声放大和人工奇异点。
核心贡献
- 骨架张力优化： 本文引入了一个新的控制手段，能够在无模型框架内显式调节内部骨架轴向载荷。这解决了以往无模型方法忽略的、由不受控的协同激活引起的压缩问题。
- 全模型无关框架： 该系统实现了精确的轨迹追踪，无需进行运动学标定、参数识别或连续体操作器的动力学建模。
- 双重凸优化流水线： 将用于驱动器选择的实时二次规划与用于雅可比矩阵自适应的凸程序相结合，确保了在未知环境条件或接触力下的鲁棒性。
结果
该框架通过包含三个具有递增几何复杂度的平面轨迹（圆、正五边形和正方形）的仿真进行了验证。
- 轨迹追踪： 控制器表现出平滑收敛，并在所有路径上实现了亚毫米级的稳态精度。
- 圆形： 单调收敛，稳态偏差为 1–3 mm。
에는
- 正五边形： 操作器与线性边缘紧密对齐，由于骨架曲率的存在，在顶点处会出现局部平滑，并在经过过渡后稳定在距离线段 1–3 mm 的范围内。
- 正方形： 尽管存在尖角，控制器在直线边缘仍实现了高精度，误差约为 0.3–0.4 mm。
- 张力演变： 系统成功保持了非松弛状态（τ≥0.3 N），同时表现出交替的主导性（一个腱索收紧，而拮抗腱放松）。至关重要的是，骨架张力保持稳定，防止了压缩饱和。
- 3D 变形： 3D 重建确认了控制器生成的驱动器更新符合结构弯曲限制，在圆形路径下产生均匀曲率，在多边形路径的角部产生局部曲率峰值。
意义与主张
本文声称建立了一种可扩展的、可替代依赖模型的连续体操控方案，适用于受限环境。通过将骨架张力优化直接集成到驱动层控制器中，所提出的方法提供了：
- 增强的稳定性： 通过调节轴向载荷，控制器避免了与不受控协同激活相关的几何不稳定性和屈曲。
- 鲁棒性： 系统无需模型标定即可有效运行，适用于环境条件（摩擦、接触）未知或多变的场景。
- 高精度： 该框架在连续和非光滑几何形状中均实现了高精度追踪（亚毫米级），验证了其在需要穿越复杂、多障碍区域的任务中的实用价值。
作者将这项工作定位为实现可靠的空间及危险环境作业的重要一步，并指出未来的工作将把该框架扩展到全 3D 引导和遮挡环境。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。