💻 computer science

Performance and Experimental Analysis of Strain-based Models for Continuum Robots

本文针对连续体机器人应变模型缺乏全面评估的现状，通过实验验证了基于三阶应变插值法的形状重建能力，证明其在无外部传感器辅助下能比现有模型更准确地预测变形形状（平均误差仅 0.58%）且计算高效。

原作者： Annika Delucchi, Vincenzo Di Paola, Andreas Müller, and Matteo Zoppi

发布于 2026-02-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Annika Delucchi, Vincenzo Di Paola, Andreas Müller, and Matteo Zoppi

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

这篇论文主要是在解决一个非常有趣的问题：如何用最简单、最快的方法，让机器人像“章鱼触手”或“大象鼻子”一样，灵活地弯曲和扭动，并且能准确知道它此刻弯成了什么形状。

为了让你更容易理解，我们可以把这篇论文的内容想象成**“教机器人玩一根魔法面条”**的故事。

1. 背景：为什么这根“面条”很难控制？

想象一下，你手里拿着一根长长的、有弹性的意大利面（这就是论文里的连续体机器人）。

难点：如果你捏住面条的一头，另一头去碰一个苹果，面条会弯曲、扭转。要算出面条中间每一段具体弯了多少度、扭了多少圈，非常复杂。
现状：以前的科学家发明了很多数学公式（模型）来预测面条的形状。有的公式算得很准，但像做一道复杂的满汉全席，太费时间（计算慢）；有的算得快，但像吃泡面，味道差点意思（精度不够）。
问题：大家以前只测试过面条“均匀弯曲”（像拱桥一样）的情况，但现实中，面条既要弯又要扭，还要被两只手（双机械臂）同时操控。以前的方法在这种复杂情况下行不行？没人好好测过。

2. 主角登场：两种“预测魔法”

论文里主要比较了两种预测面条形状的“魔法”：

魔法 A（几何可变应变模型 GVS）：
- 特点：像是一个严谨的数学家。它把面条切成很多小段，每一段都仔细计算受力情况。
- 优点：算出来的形状非常准，几乎和真的一样。
- 缺点：太慢了！就像让数学家一步步推导微积分，等算出结果，面条可能都凉了。
魔法 B（三阶应变插值模型，本文的主角）：
- 特点：像是一个经验丰富的老厨师。它不看每一小段，而是直接根据面条两头的位置，用一种聪明的“捷径”（数学插值法）直接猜出中间的样子。
- 优点：速度极快，像变魔术一样瞬间出结果。
- 缺点：理论上可能不如数学家那么完美，但作者想知道它到底准不准。

3. 实验过程：实验室里的“面条大挑战”

为了验证这两种魔法谁更厉害，作者们设计了一场**“面条变形记”**实验：

道具：
- 一根镍钛合金棒（像记忆金属，很软，容易扭）和一根玻璃纤维棒（像钓鱼竿，硬一点，容易断）。
- 一根机械臂（像一只手）抓住棒子的一头。
- 另一头被固定住。
- VICON 动作捕捉系统（像几十个高清摄像头组成的“上帝视角”）：在棒子上贴了几个反光的小点，摄像头能精准记录棒子在空中每一个瞬间的真实形状。
挑战任务：
1. 单纯弯曲：把棒子弯成拱桥。
2. 双重弯曲：同时往两个方向弯（像拧毛巾）。
3. 弯曲 + 扭转：最难的！一边弯一边旋转（像螺旋面）。

4. 实验结果：谁赢了？

作者把机械臂算出来的“预测形状”和摄像头拍到的“真实形状”做对比，发现：

关于准确度（谁更像真的）：
- 在单纯弯曲时，两种魔法都很准，误差只有面条长度的 0.6% 左右（几乎看不出来）。
- 在又弯又扭（最复杂的情况）时，两种魔法的误差都变大了，但严谨的数学家（GVS） 依然稍微准一点点（误差约 1.3% vs 1.8%）。
- 结论：老厨师（插值模型）虽然偶尔会猜错一点点，但在大多数情况下，它猜得已经非常接近真实情况了。
关于速度（谁算得快）：
- 这是老厨师的完胜时刻！
- 算出一个形状，老厨师只需要 0.32 秒（眨眼功夫）。
- 数学家需要 0.48 秒 甚至更多（如果是又弯又扭，数学家要 1.14 秒，老厨师只要 0.64 秒）。
- 比喻：如果机器人要每秒做 10 次动作，用数学家可能会卡顿，而用老厨师就能丝滑流畅。

5. 核心发现与意义

这篇论文最重要的贡献不是发明了新魔法，而是建立了一个“考试标准”：

填补空白：以前大家只测简单的弯曲，这次专门测了复杂的“又弯又扭”和“双端操控”，发现以前的模型在复杂情况下表现如何。
证明可行性：证明了那个“快但稍微不那么完美”的模型（插值模型），在真实世界里完全够用。它的速度优势对于实时控制（比如机器人要在手术中快速避开血管，或者在废墟中快速抓取物体）至关重要。
未来展望：既然这个模型算得又快又准，作者计划下一步用它来控制机器人，让机器人能像章鱼一样，在复杂的现实环境中灵活地抓取和移动软绵绵的物体（比如电缆、软管）。

总结

简单来说，这篇论文就像是在说：

“我们找了一根魔法面条，让两个机器人助手去预测它的形状。一个助手（GVS）算得准但慢，像个老学究；另一个助手（插值模型）算得快，像个机灵鬼。实验证明，虽然机灵鬼在极度复杂的扭动下偶尔会有一点点偏差，但它的速度是学究的两倍快，而且准确度完全够用。对于需要‘手快’的机器人来说，选这个机灵鬼是更聪明的决定！”

这项研究让未来的软体机器人能更聪明、更快速地工作，不再因为“算不过来”而动作迟缓。

这是一份关于《基于应变的连续体机器人模型性能与实验分析》（Performance and Experimental Analysis of Strain-based Models for Continuum Robots）的论文详细技术总结。

1. 研究背景与问题 (Problem)

连续体机器人（Continuum Robots）因其柔性和仿生特性，在搜救、水下作业、空间任务及微创手术等领域具有广泛应用。然而，由于其固有的弹性和控制复杂性，对其进行精确建模是一个巨大挑战。

现有局限： 尽管基于应变的模型（Strain-based Models）在机器人领域被广泛采用，但目前缺乏超越“均匀弯曲测试”的通用性能评估标准。
研究缺口： 现有的评估多局限于仿真或简单的平面测试，缺乏针对**空间双端操作（Dual-manipulation）**场景（即连续体细长物体，DLOs，两端被约束）的综合性能评估。此外，缺乏在无需外部力/力矩传感器（如应变片或腕部力传感器）的情况下，仅通过末端位姿和视觉反馈来验证模型准确性的实验框架。
核心问题： 需要评估高阶应变插值模型在捕捉个体及组合变形（弯曲、扭转）时的能力，并将其与现有的几何可变应变（GVS）模型进行对比，同时平衡重建精度与计算效率。

2. 方法论 (Methodology)

2.1 理论模型

论文对比了两种基于应变的降阶模型：

三阶应变插值法 (Third-order Strain Interpolated Approach)：
- 基于 Cosserat 杆理论，利用李群（Lie Group）和李代数（Lie Algebra）描述杆的位姿。
- 假设杆为**不可伸长（Inextensible）**的 Kirchhoff 杆（忽略剪切和拉伸，仅保留弯曲和扭转）。
- 通过三阶多项式插值位移场，将形状重建问题转化为边界值问题（BVP）。
- 求解策略：在满足末端位置约束的前提下，寻找使势能最小化的初始和末端曲率值（ $\kappa_0, \kappa_1$ ）。
几何可变应变模型 (Geometric Variable Strain, GVS)：
- 作为对比基准，采用 Ritz 方法，将应变场近似为形状函数与广义坐标的线性组合。
- 通过正向（运动学）和反向（静力学）积分求解，处理边界条件和外部力矩平衡。

2.2 评估指标

精度指标： 定义截面位置误差（ $e_r$ ）和姿态误差（ $e_x$ ）。不仅关注末端点，还计算沿杆长分布的积分误差和最大误差。
效率指标： 记录求解 BVP 所需的计算时间（秒）和迭代次数。
基准： 仿真中采用数值精确解（ODE 系统直接积分）作为真值；实验中采用视觉捕捉系统获取的真实杆形状作为真值。

2.3 实验设置

硬件： 使用 KUKA 机械臂夹持杆的一端，另一端固定，模拟双端操作。使用 VICON 运动捕捉系统（8 台相机）记录杆上反光标记点的 3D 位置。
材料： 测试了两种材料：
- Nitinol（镍钛诺）： 直径 1.5mm，长度 0.955m，用于测试大变形及扭转耦合。
- Fiberglass（玻璃纤维）： 直径 2mm，长度 0.885m，主要用于弯曲测试。
测试场景：
- 单一弯曲（Bending）。
- 双弯曲（Two-bending）。
- 纯扭转（Torsion）。
- 弯曲 - 扭转耦合（Bending-torsion）： 最复杂的场景，模拟真实操作中的非线性效应。

3. 主要贡献 (Key Contributions)

建立了系统的评估框架： 提出了一套针对连续体机器人应变模型的实验评估流程，不仅包含仿真对比，还包含复杂的空间双端操作实验验证。
验证了三阶插值模型的有效性： 证明了该模型在无需外部力传感器、仅依赖末端位姿约束的情况下，能够高精度地重建连续体杆在复杂变形（特别是弯曲与扭转耦合）下的形状。
提供了详尽的对比分析： 首次在三阶插值模型与 GVS 模型之间进行了“一对一”的数值与实验对比，量化了两者在精度和计算时间上的权衡（Trade-off）。
揭示了扭转对模型性能的影响： 实验表明，当存在显著扭转效应时，由于不可伸长假设的限制，模型的误差和计算成本均会上升，但插值模型仍保持计算优势。

4. 实验结果 (Results)

4.1 仿真结果

精度： 在纯弯曲和纯扭转场景下，两种模型均与精确解高度吻合（误差 < 0.01%）。在弯曲 - 扭转耦合场景下，GVS 模型精度略高（最大位置误差 2.30% vs 插值模型 3.01%），但两者平均误差均在 1% 以内。
效率： 插值模型显著优于 GVS。在耦合变形测试中，插值模型平均耗时 2.82s（24 次迭代），而 GVS 耗时 4.35s（41 次迭代）。

4.2 实验结果

弯曲主导场景（Fiberglass & Nitinol）：
- 插值模型平均位置误差：0.58% (Nitinol) / 0.86% (Fiberglass)。
- GVS 模型平均位置误差：0.59% / 0.86%。
- 两者精度相当，但插值模型计算更快（平均 0.32s vs 0.48s）。
弯曲 - 扭转耦合场景（Nitinol）：
- 随着扭转增加，误差增大。插值模型最大误差 3.62%，平均 1.86%；GVS 模型最大误差 3.03%，平均 1.32%。
- 计算时间：插值模型 0.64s，GVS 模型 1.14s。
总体结论： 实验误差略高于仿真（主要源于未量化的不确定性，如标记点安装误差、重力影响等），但趋势一致。插值模型在保持可接受精度的同时，计算效率几乎是 GVS 的两倍。

5. 意义与影响 (Significance)

实时控制潜力： 该研究证明了三阶应变插值模型具有足够的计算效率（单次配置约 0.3-0.6 秒），使其适用于需要实时响应的双臂操作（Dual-arm manipulation）和视觉伺服控制任务。
简化传感需求： 实验表明，无需昂贵的力/力矩传感器，仅通过末端位姿和视觉反馈即可实现高精度的形状重建，降低了系统成本和复杂性。
标准化评估： 填补了该领域缺乏统一性能评估基准的空白，为未来连续体机器人模型的改进和选择提供了科学依据。
未来方向： 基于该模型的高效性，作者计划进一步研究在存在外部扰动情况下的实时视觉伺服控制策略。

总结： 本文通过严格的仿真与实验验证，确立了一种高效、准确的基于应变的连续体机器人建模方法。尽管在强扭转耦合下精度略逊于 GVS 模型，但其在计算速度上的显著优势使其成为实时机器人控制应用的理想选择。