Control Lyapunov Functions for Underactuated Soft Robots

本文提出了一种针对欠驱动软体机器人的通用控制框架，通过在满足动力学约束和致动器限幅的前提下将快速指数稳定控制李雅普诺夫函数作为凸不等式约束，实现了在输入受限条件下具有稳定性保证的任务空间调节与跟踪，并在多种平台上验证了其优于现有基准方法的性能。

要点

这篇论文主要解决了一个非常棘手的问题：如何给那些“软绵绵”、像章鱼触手一样的机器人，设计一个既听话又不会失控的大脑？

为了让你轻松理解，我们可以把这篇论文的故事拆解成三个部分：难题、旧方法的缺陷、以及作者提出的新魔法。

1. 难题：软体机器人的“软肋”

想象一下，传统的机械臂（比如工厂里那种）像是一根根坚硬的钢管，关节明确，你想让它动哪就动哪，很容易控制。

但软体机器人（比如充气的气囊、像章鱼触手一样的机器人）完全不同：

• 它们太软了：全身都是弹性，像果冻一样，没有固定的关节。
• 它们太“懒”了（欠驱动）：这是最头疼的。比如一个有 27 个关节的章鱼触手，可能只有 3 根线（马达）在拉。你只能控制这 3 根线，剩下的 24 个关节只能“随波逐流”。
• 力气有限：马达的力气是有上限的，不能无限拉。

核心挑战：如果你用控制硬机器人的老办法（假设每个关节都能独立控制），软体机器人就会像喝醉了一样乱晃，甚至因为马达力气不够而彻底失控。

2. 旧方法的失败：为什么以前的“老师”教不好？

以前的控制方法主要有两类，但它们在软体机器人身上都“翻车”了：

• 方法 A：PD 控制（像教小孩走路）

  • 比喻：这就像你教一个小孩走路，告诉他“往左走一步，往右走一步”。但这假设小孩有无限的腿力，且每一步都能精准执行。
  • 问题：软体机器人没有那么多“腿”（执行器）。当你命令它“往左走”时，它可能因为力气不够，或者身体太软，直接瘫在地上，根本达不到目标。

• 方法 B：模型预测控制 (MPC)（像下棋大师）

  • 比喻：这就像下棋，电脑要计算未来几十步的所有可能性，选出最优解。
  • 问题：虽然它很聪明，能考虑到力气限制，但计算量太大了！软体机器人身体太复杂，算一次要很久，等算完，机器人早就撞墙了。这就好比你想在 1 秒内决定晚餐吃什么，结果花了 10 分钟算菜单，饭早就凉了。

3. 新魔法：Soft ID-CLF-QP（聪明的“导航员”）

作者提出了一种新的控制框架，我们可以把它想象成一个拥有“超级导航”和“安全网”的智能教练。

这个新教练有三个绝招：

绝招一：Lyapunov 函数 = “能量安全网”

• 比喻：想象机器人是一个在山上滚动的球。我们的目标是让它滚到山谷底部（目标点）。
• 原理：这个“安全网”时刻计算球的“能量”。只要能量在下降，球就一定会滚到底部。如果能量不降反升，系统就会立刻报警并调整方向。这保证了机器人绝对不会失控乱跑，无论它怎么晃，最终都会停下来。

绝招二：二次规划 (QP) = “实时交通指挥”

• 比喻：机器人每走一步，都要做一个决定。QP 就像一个超级高效的交通指挥员，它在一眨眼的时间内，权衡所有因素：
  • 我想去目标点（任务）。
  • 我的马达力气不够（限制）。
  • 我不能让身体乱晃（稳定性）。
• 它会在这些限制中，瞬间算出唯一一个既安全又能到达目的地的最佳动作。

绝招三：坐标变换 = “抓大放小”（这是本文最核心的创新！）

• 痛点：之前的方法试图控制机器人的每一个关节（包括那些没马达的关节），这就像试图用 3 根绳子去控制 27 个关节的每一个动作，根本不可能，算出来全是错。
• 新解法：作者发明了一种“坐标变换”技巧。
  • 比喻：想象你在指挥一个乐队。你不需要指挥 27 个乐手，你只需要指挥那 3 个拿着指挥棒的主奏乐手（有马达的部分）。至于其他 24 个乐手（没马达的部分），你只需要告诉他们：“跟着主奏的节奏走，别乱跑就行。”
  • 效果：系统只严格约束那 3 个能控制的“主奏”，让剩下的 24 个“随大流”。这样既利用了机器人的自然弹性，又避免了计算崩溃。

4. 实验结果：真的好用吗？

作者测试了三种机器人：

1. 简单的两根手指（像简单的机械手）。
2. 螺旋状的软体臂（像章鱼触手）。
3. 高度复杂的螺旋机器人（像大象鼻子，27 个关节只有 3 个马达）。

结果：

• 旧方法（PD、MPC 等）在复杂的“大象鼻子”机器人上要么完全失败（机器人乱晃），要么算不出来（卡死）。
• 作者的新方法（Soft ID-CLF-QP）在所有测试中都稳稳当当，不仅跑得快，还能精准地抓住目标点，即使马达力气用到了极限，也不会失控。

总结

这篇论文就像给软体机器人装上了一个既懂物理规律、又懂数学优化、还特别会“抓大放小”的超级大脑。

它不再试图强行控制机器人的每一寸肌肉，而是顺势而为，利用机器人的弹性，在有限的力气下，通过数学魔法（Lyapunov 稳定性 + 优化算法），让软体机器人从“醉汉”变成了“体操运动员”，既能灵活舞动，又能稳稳落地。

一句话概括：以前我们试图用控制硬机器人的方法去控制软机器人，结果总是失败；现在，我们学会了用“抓大放小”的数学技巧，让软机器人自己利用弹性，在安全的前提下完美完成任务。

技术摘要

这是一份关于论文《Control Lyapunov Functions for Underactuated Soft Robots》（欠驱动软机器人的控制李雅普诺夫函数）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：软机器人和软硬混合机器人具有固有的欠驱动（underactuated）特性（自由度远多于执行器数量）和执行器饱和限制。这使得在任务空间（Task-space）进行具有稳定性保证的控制变得极具挑战性。
• 现有方法的局限性：
  • 传统的非线性控制策略（如基于 PD 的控制、反馈线性化）通常假设**全驱动（fully actuated）**且无执行器限制，这在软机器人中往往不成立。
  • 忽略执行器饱和会导致闭环稳定性丧失，经典控制律的收敛性保证失效。
  • 基于模型预测控制（MPC）的方法虽然能处理约束，但计算负担过重，难以在实时系统中处理高自由度的连续体结构。
  • 现有的基于控制李雅普诺夫函数（CLF）的二次规划（QP）方法在处理高度冗余的欠驱动软机器人时，容易激发零动态（zero dynamics），导致任务空间外的不稳定。

2. 方法论 (Methodology)

论文提出了一种通用的控制框架，旨在解决欠驱动软机器人在有界输入下的任务空间调节与跟踪问题。

A. 系统建模

• 采用标准动力学方程描述系统：
  $$M(q)\ddot{q} + C(q, \dot{q})\dot{q} + D(q)\dot{q} + K(q) + g(q) = Bu$$
• 考虑了三种不同欠驱动程度的机器人平台：
  1. 肌腱驱动手指（2 个执行器驱动 4 个连杆）。
  2. 修剪螺旋软连续体（Helix）（9 个电机驱动 36 个自由度）。
  3. 对数螺旋机器人（SpiRob）（3 个执行器驱动 27 个自由度，高度欠驱动）。

B. 控制策略演进

1. 基础 CLF-QP 控制器：

   • 通过输入 - 输出线性化将任务空间误差动力学转化为线性形式。
   • 定义快速指数稳定控制李雅普诺夫函数（RES-CLF），将其作为凸不等式约束嵌入二次规划（QP）中。
   • 局限：在高度冗余系统中，由于未显式约束关节加速度，可能激发零动态导致不稳定。

2. 提出的 Soft ID-CLF-QP 控制器（核心贡献）：

   • 逆动力学约束（Inverse Dynamics, ID）：不再仅依赖任务空间线性化，而是将全系统动力学作为仿射等式约束直接嵌入优化变量中。
   • 坐标变换与分区：针对高度欠驱动系统，引入坐标变换 $T(q)$ 将状态分为驱动坐标（actuated）和非驱动坐标（unactuated）。
     • 对驱动坐标施加硬约束：严格满足逆动力学方程，确保物理可行性。
     • 对非驱动坐标施加软约束：允许优化器选择最佳的可控加速度，避免强行求解不可行的全系统加速度。
   • 零空间阻尼：在零空间投影中加入阻尼项，抑制冗余关节在平衡点附近的运动。
   • 目标函数：最小化任务空间误差加速度与参考值的偏差、关节加速度、控制输入以及松弛变量 $\delta$（用于处理饱和时的可行性）。

3. 主要贡献 (Key Contributions)

1. 通用框架：提出了一种适用于欠驱动软机器人和软硬混合机器人的 CLF-QP 控制框架。
2. Soft ID-CLF-QP 算法：开发了一种新型控制器，通过坐标变换和分区约束，有效解决了高度欠驱动系统中的零动态不稳定问题，同时保证了执行器饱和下的稳定性。
3. 广泛的验证：在三种不同欠驱动程度的机器人平台（手指、Helix、SpiRob）上进行了仿真验证。
4. 基准对比：与阻抗控制（IC）、欠驱动阻抗控制（UIC）、增强型 QP 阻抗控制（IC-QP）及基础 CLF-QP 进行了全面对比。
5. 开源实现：提供了灵活的 Python 开源代码，便于在新系统上测试。

4. 实验结果 (Results)

实验在 MuJoCo 仿真环境中进行，包括定点调节（Set-point regulation）和轨迹跟踪（Trajectory tracking）任务。

• 稳定性表现：
  • 提出的 Soft ID-CLF-QP 在所有测试中均表现出李雅普诺夫函数的快速收敛。
  • 基础 CLF-QP 在 Helix 机器人上无法收敛（Failed Convergence）。
  • 经典 IC 和 UIC 在高度欠驱动的 SpiRob 上完全失效，无法收敛。
  • IC-QP 虽然能移动机器人，但最终无法收敛到目标。
• 精度表现：
  • 定点调节：Soft ID-CLF-QP 在 6 个基准测试中的 4 个表现最佳，其余 2 个为第二好。例如在 SpiRob 上，其最终误差显著低于其他方法。
  • 轨迹跟踪：在螺旋机器人（SpiRob）的轨迹跟踪中，Soft ID-CLF-QP 是唯一能保持一定性能（MSE 为 19.51）的方法，而其他方法（如 IC, UIC）完全失败，CLF-QP 误差极大（255.33）。
• 结论：该方法在输入限制下实现了显著的任务空间精度提升和一致的 Lyapunov 收敛性。

5. 意义与展望 (Significance & Future Work)

• 理论意义：填补了将 CLF-QP 方法应用于高度冗余欠驱动软机器人的空白。通过结合逆动力学约束和坐标变换，解决了传统方法在处理欠驱动系统时容易激发不稳定零动态的难题。
• 工程价值：提供了一种在计算复杂度（QP 求解）和性能之间取得平衡的方案，无需像 MPC 那样进行昂贵的长时域预测，同时保证了稳定性。
• 局限性：
  • 对于极度欠驱动且路径依赖复杂的系统（如 SpiRob 的轨迹跟踪），性能仍有提升空间，可能需要结合强化学习或非线性 MPC。
  • 目前基于 Python 实现，计算时间较为保守；未来在 C++ 实时系统中可实现更高频率（~1kHz）。
• 未来工作：
  • 引入控制障碍函数（CBFs）以增强人机交互和环境交互的安全性。
  • 探索基于任务的软机器人抓取控制。
  • 在物理硬件平台上部署，重点解决基于视觉（像素到力矩映射）和编码器融合的实时状态估计问题。

总结：该论文提出了一种创新的“软”逆动力学 CLF-QP 控制器，成功解决了欠驱动软机器人在执行器受限情况下的稳定控制难题，显著优于现有的经典控制策略和基础优化方法。