Proprioceptive Shape Estimation of Tensegrity Manipulators Using Energy Minimisation

本文提出了一种仅利用每根杆件相对于重力的倾角信息（通过 IMU 获取）来估计整个张拉整体机械臂形状的能量最小化方法，并在包含 20 根杆件的五层大型机械臂实验中验证了其在静态及受扰条件下均能实现高精度（误差为总长的 2.1%）的 proprioceptive 形状估计。

要点

这篇文章介绍了一种让“软体机器人”拥有自我感知能力的新方法。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是在教一个没有眼睛的“软体章鱼”如何感知自己的身体形状。

以下是用通俗语言和比喻做的详细解读：

1. 背景：什么是“张拉整体”机器人？

想象一下，传统的机械臂像是一根根坚硬的钢管，通过关节连接，像人的手臂一样。但有一种更先进的机器人叫张拉整体（Tensegrity）机器人。

• 比喻：它不像钢管，更像是一个由硬棍子（杆）和橡皮筋（缆绳）组成的悬浮结构。
  • 硬棍子（Struts）彼此不直接接触，而是悬浮在空中。
  • 它们靠无数根绷紧的橡皮筋（Cables）互相拉扯，维持平衡。
• 优点：这种结构非常轻，而且像果冻一样有弹性，碰到人不会受伤，非常适合在狭窄空间工作。
• 缺点：因为它没有固定的关节，形状千变万化，就像一团可以随意揉捏的橡皮泥。这就带来了一个大问题：机器人怎么知道自己现在弯成了什么样子？

2. 痛点：以前的方法太笨重

以前，如果想让机器人知道自己长什么样，通常有两种办法：

1. 装摄像头（外感）：就像人戴眼镜看东西。但这需要外部设备，而且如果环境光线不好或者被遮挡，机器人就“瞎”了。
2. 装很多传感器（内感）：在每一根橡皮筋上装拉力计。但这就像给机器人全身插满针，太贵、太复杂，而且容易坏。

3. 本文的突破：给每根棍子装个“小陀螺仪”

这篇论文提出了一种聪明的新办法：只靠感知“重力方向”来猜形状。

• 核心思路：
  想象你闭着眼睛，手里拿着一根长棍子。如果你知道这根棍子相对于地面（重力）是倾斜的，虽然你不知道它具体转了哪个方向（偏航角），但结合整根机器人上所有棍子的倾斜角度，通过数学计算，就能反推出整根棍子组成的“骨架”大概是什么形状。
• 硬件实现：
  研究人员在机器人的每一根硬棍子上都贴了一个小小的IMU 传感器（就像你手机里的运动传感器，能感知倾斜）。
• 魔法算法（能量最小化）：
  这是最精彩的部分。机器人内部有一个“大脑”在运行一个算法：
  1. 它先瞎猜一个形状（比如猜机器人是直的，或者是卷成一团的）。
  2. 然后，它计算如果在这个形状下，那些橡皮筋（缆绳）需要拉伸多长，储存了多少弹性势能（就像拉弓射箭，拉得越开，能量越大）。
  3. 物理定律：自然界喜欢“偷懒”，物体总是倾向于处于能量最低、最舒服的状态。
  4. 算法不断调整猜测的形状，直到找到那个橡皮筋最放松、能量最低的状态。
  5. 当计算出的形状和传感器测到的“棍子倾斜角度”吻合，且能量最低时，这个形状就是机器人真实的形状！

4. 实验结果：真的管用吗？

研究人员做了一个巨大的实验对象：TM-40。

• 规模：它有 5 层，20 根硬棍子，总长 1.16 米，比一般的手臂还长。
• 测试：
  • 从乱猜开始：不管一开始把机器人想象成“缩成一团”还是“完全张开”，算法都能自动修正，最终收敛到正确的形状。
  • 抗干扰：即使有人用手去推它、掰弯它，算法也能迅速感知到新的形状。
• 精度：最终估算的误差只有总长度的 2.1%。对于这种软体机器人来说，这已经非常精准了。

5. 为什么这很重要？

• 简单便宜：不需要昂贵的摄像头，也不需要给每根橡皮筋都装传感器，只需要在棍子上贴个便宜的小芯片。
• 通用性强：这种方法不依赖特定的环境，机器人走到哪，就能感知到哪。
• 未来应用：想象一下，未来的救援机器人可以像蛇一样钻进废墟，它不需要眼睛，就能知道自己钻到了哪里，身体有没有被卡住，然后安全地把自己“扭”出来。

总结

这篇论文就像教给机器人一种**“本体感觉”（Proprioception）。就像你闭着眼睛也能知道手举多高、腿弯曲多少一样，这个机器人通过感知每根“骨头”的倾斜度，利用“寻找最省力状态”**的物理原理，成功地在没有眼睛的情况下，精准地“看”到了自己的全身形状。

这是一个让软体机器人变得更聪明、更独立的重要一步。

技术摘要

以下是基于论文《Proprioceptive Shape Estimation of Tensegrity Manipulators Using Energy Minimisation》（基于能量最小化的张拉整体操纵器本体感知形状估计）的详细技术总结：

1. 研究背景与问题定义 (Problem)

• 背景：张拉整体（Tensegrity）操纵器因其高负载能力、轻量化和可调节的柔顺性，在软体机器人和协作环境中具有巨大潜力。然而，由于其结构由刚性杆（struts）和柔性缆索组成，且没有离散关节，传统的基于编码器或电位器的形状估计方法不适用。
• 现有挑战：
  • 外置传感器局限：使用外部传感器（如视觉系统）虽然直观，但成本高且受环境限制。
  • 缆索长度测量困难：许多张拉整体结构包含被动缆索，其长度无法直接测量，导致几何约束不完整。
  • 现有方法局限：目前大多数基于惯性测量单元（IMU）的形状估计研究仅针对单层结构，且往往结合外部传感器。缺乏仅依靠单一传感器类型（IMU）对大规模、多层张拉整体操纵器进行全形状估计的验证。
• 核心问题：如何仅利用每个刚性杆相对于重力的**倾斜角（Inclination Angle）**信息，在无需外部传感器或测量所有缆索长度的情况下，准确估计整个张拉整体操纵器的三维空间形状？

2. 方法论 (Methodology)

论文提出了一种基于**能量最小化（Energy Minimisation）**的本体感知形状估计框架。

• 硬件基础：

  • 使用 TM-40 操纵器，这是一个由 5 层张拉整体模块组成的 20 自由度（DOF）系统，包含 20 根碳纤维管（struts）和 80 根缆索（40 根主动气动，40 根被动凯夫拉）。
  • 每根杆上安装一个 6 轴 IMU 传感器（LSM6DSOX），用于测量杆的倾斜角 $\phi$。
  • 通过互补滤波器融合加速度计和陀螺仪数据，以在静态和准动态条件下获得稳定的倾斜角。

• 数学建模：

  • 节点位置定义：杆的端点位置由杆的中心位置 $p$、长度 $L$ 和方向向量 $q$（由倾斜角 $\phi$ 和偏航角 $\theta$ 决定）确定。
  • 能量函数构建：假设结构处于最小能量状态。总弹性势能 $e$ 是所有缆索能量的总和。
    • 缆索能量公式：$e_k = \frac{1}{2}K_k (m_k - b_k)^2$（当 $m_k > b_k$），其中 $m_k$ 是当前长度，$b_k$ 是自然长度（实验中简化为 0），$K_k$ 是刚度矩阵。
    • 缆索长度 $m_k$ 通过节点位置计算得出，节点位置又依赖于未知的中心位置 $p$ 和偏航角 $\theta$。
  • 优化问题：将形状估计转化为寻找未知参数 $p$（中心位置）和 $\theta$（偏航角）的最优化问题，使得总弹性势能 $e$ 最小化。
    • 目标函数：$\tilde{p}, \tilde{\theta} = \arg\min_{p,\theta} e$
  • 求解算法：
    • 由于偏航角 $\theta$ 难以通过磁强计准确获取（受磁干扰和漂移影响），将其作为优化变量。
    • 使用**梯度下降法（Gradient Descent）**进行数值求解。
    • 计算能量函数对 $p$ 和 $\theta$ 的梯度，并迭代更新参数，直到梯度趋近于零（收敛至最小能量状态）。

3. 主要贡献 (Key Contributions)

1. 扩展至大规模结构：将之前仅在单层结构上验证的能量最小化算法，成功扩展并应用于复杂的五层、20 杆全尺寸张拉整体操纵器（TM-40）。
2. 纯本体感知方案：证明了仅依靠**单一类型的传感器（IMU）**获取的倾斜角信息，无需外部传感器或被动缆索长度测量，即可实现全形状估计。
3. 鲁棒性与收敛性验证：
   • 展示了算法在任意初始条件（包括完全折叠和完全展开状态，以及随机初始化）下均能收敛到同一最优解。
   • 验证了算法在外部扰动（手动弯曲操纵器末端）下仍能保持稳定的形状估计能力。

4. 实验结果 (Results)

• 实验设置：在 TM-40 上进行静态和动态测试，使用 Python 实现，运行于 ROS2 环境。
• 静态精度：
  • 在折叠（Collapsed）和展开（Expanded）两种极端初始状态下，经过 1000 步优化后，估计形状均收敛至最小能量状态。
  • 长度估计误差：估计的总长度为 1135.50 mm，实际长度为 1160 mm，绝对误差为 24.5 mm，相对误差仅为 2.1%。
  • 收敛性：能量函数随优化步数单调递减，梯度逐渐消失，证明算法稳定收敛。
• 鲁棒性测试：
  • 在 10 次不同的随机初始参数实验中，算法均收敛至相同的解（平均收敛能量值约为 9.32 单位）。
  • 计算效率：平均收敛时间约为 7.3 秒。单次优化步耗时约 7.36 毫秒，20 步（一次完整更新）耗时约 147.2 毫秒。
• 动态扰动：在操纵器收敛后施加外部手动弯曲，形状估计器能够捕捉到变形并更新估计形状（尽管在大角度弯曲时精度略有下降，归因于未考虑缆索自然长度）。

5. 意义与未来展望 (Significance & Future Work)

• 科学意义：
  • 解决了张拉整体机器人形状估计中的“感知 - 控制”闭环难题，证明了仅凭低成本 IMU 即可实现复杂结构的自感知。
  • 为大规模、高冗余张拉整体机器人的控制提供了通用的形状估计框架，无需对硬件进行重大修改。
• 应用价值：
  • 使得张拉整体机器人能够在无外部视觉辅助的封闭或复杂环境中（如狭窄空间、灾难救援）进行自主导航和操作。
  • 降低了系统成本和复杂性，提高了系统的可靠性。
• 局限与未来工作：
  • 大变形精度：在大角度弯曲时估计精度下降，原因是当前模型简化了缆索自然长度（设为 0）。未来将引入自然长度约束。
  • 刚度建模：目前刚度矩阵 $K$ 是手动标定的。未来计划建立气动压力与主动缆索刚度之间的映射模型，以实现更精确的实时估计。
  • 实时性：计划通过并行化 IMU 数据处理来进一步提升实时性能。

总结：该论文提出并验证了一种基于能量最小化原理的纯本体感知形状估计方法，成功在大型五层张拉整体操纵器上实现了高精度（2.1% 误差）的形状重建，为张拉整体机器人的实际应用奠定了重要基础。