💻 computer science

Inductance-Based Force Self-Sensing in Fiber-Reinforced Pneumatic Twisted-and-Coiled Actuators

本文提出了一种基于电感反馈的自传感纤维增强气动扭绕驱动器，通过结合参数化模型与非线性混合观测器，克服了传统驱动器的强迟滞问题，实现了高精度的力估计与状态感知。

原作者： Yunsong Zhang, Tianlin Li, Mingyang Yang, Feitian Zhang

发布于 2026-03-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Yunsong Zhang, Tianlin Li, Mingyang Yang, Feitian Zhang

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

这篇论文讲述了一种给“软体机器人肌肉”装上**“第六感”**的巧妙发明。

想象一下，传统的软体机器人（比如像章鱼触手或人造肌肉一样的装置）虽然柔软、灵活且力量大，但它们有一个致命弱点：它们“感觉”不到自己用了多大力，也不知道自己缩到了什么程度。 就像你蒙着眼睛去搬重物，你不知道自己用了多少力气，很容易把东西弄坏或者把自己累垮。为了解决这个问题，科学家通常会在机器人身上安装额外的传感器（像眼睛或压力计），但这会让机器人变重、变硬，失去了原本“柔软”的优势。

这篇论文提出了一种**“自感知”**的解决方案，让肌肉自己就能“感觉”到力的大小。

1. 核心创意：给肌肉穿上一件“智能紧身衣”

研究人员把原本用来增强强度的普通尼龙线，换成了一根导电的镍丝，像螺旋一样缠绕在橡胶管里。

比喻：想象这根镍丝就像给肌肉穿了一件带有“魔法线圈”的紧身衣。当肌肉收缩或拉伸时，这根线圈的形状会发生微小的变化。
原理：线圈形状一变，它的电感（一种电磁特性）就会跟着变。这就好比你在拉一根弹簧，弹簧的圈数变了，它发出的“电磁声音”也就变了。

2. 发现的秘密：力与长度的“性格差异”

这是论文最精彩的部分。研究人员发现了一个反直觉的现象：

长度 vs. 电感：如果你只看肌肉伸长了多少（长度），电感的变化非常混乱，像是一个**“记性不好的老人”**，拉过去再拉回来，电感读数都不一样（这叫“迟滞”）。这导致很难通过电感直接算出长度。
力量 vs. 电感：但是，如果你看肌肉用了多大力（输出力），电感的变化却非常**“听话”且“清晰”**。无论肌肉是正在收缩还是正在伸长，只要力一样，电感读数就几乎一样。
比喻：这就好比你在推一扇沉重的门。
- 如果你问“门开了多少度？”，门轴生锈了，推过去和拉回来的角度很难精确对应（混乱）。
- 但如果你问“你用了多少力气推门？”，这个力的大小和门上的感应器读数有着非常稳定、清晰的关系。

3. 聪明的“翻译官”：混合观察者

既然知道了“电感”能准确反映“力”，但很难直接反映“长度”，研究人员设计了一个聪明的**“翻译官”（算法），叫作混合观察者**。

它是怎么工作的？
1. 它先读取电感数据，像算命先生一样，根据“力 - 电感”的清晰关系，先猜出**“现在用了多少力”**。
2. 然后，它利用物理公式，结合已知的“力”和“气压”，推算出**“肌肉大概伸长了多少”**。
3. 它还会像一个经验丰富的老教练，时刻纠正自己的猜测，防止因为数据噪音或肌肉的“记性不好”（迟滞）而算错。
比喻：这就好比你在开车，虽然看不清路（长度难测），但你能清晰地感觉到油门踩得有多深（力很准）。这个“翻译官”就是根据你踩油门的力度，结合路况经验，精准地告诉你车开到了哪里。

4. 实验结果：像装了真传感器一样准

研究人员做了很多实验，把这种“自感知肌肉”和装了昂贵外部传感器的普通肌肉做对比：

控制力：在控制输出力时，这种自感知肌肉的表现几乎和装了外部传感器的一样好，甚至比只用“盲猜”（开环控制）的方法强几十倍。
抗干扰：即使突然在肌肉上挂上不同的重物（模拟外界干扰），它也能迅速反应过来，准确感知力的变化。
推论：虽然推算“长度”的精度比推算“力”稍微差一点点（因为长度本身很难测准），但对于让软体机器人灵活工作来说，已经完全够用了。

总结

这篇论文就像给软体机器人发明了一种**“读心术”：
不需要在机器人身上挂笨重的传感器，只需要把内部的一根线换成特殊的金属丝，再配合一个聪明的算法，机器人就能自己感知自己用了多大力**。这让未来的软体机器人（比如用于医疗手术、救援或人机交互的机器人）能变得更轻、更软、更灵活，同时还能像有经验的工匠一样，精准地控制自己的动作。

这是一份关于论文《基于电感力的纤维增强气动扭绞线圈驱动器自感知》（Inductance-Based Force Self-Sensing in Fiber-Reinforced Pneumatic Twisted-and-Coiled Actuators）的详细技术总结：

1. 研究背景与问题 (Problem)

背景：纤维增强气动扭绞线圈驱动器（FR-PTCA）因其高功率密度和顺应性，在软体机器人领域备受关注。然而，传统的 FR-PTCA 缺乏内在的感知能力（本体感知），且存在强烈的迟滞效应，限制了其在闭环控制中的有效应用。
核心挑战：
1. 建模与感知缺失：气动 TCAs 缺乏统一的建模方法，且传统刚性传感器（如编码器）会增加质量和刚度，破坏软体机器人的顺应性。
2. 迟滞与非单调性：现有的自感知方法（如基于电阻或电容）常受温度漂移和强迟滞影响。对于 FR-PTCA，实验发现其电感 - 长度关系表现出强烈的迟滞和非单调性，导致直接通过电感反推长度存在多值模糊，难以用于精确的状态估计。
3. 控制需求：缺乏实时状态估计使得实现高精度的闭环力控和位控变得困难。

2. 方法论 (Methodology)

A. 硬件设计与制造

自感知 FR-PTCA 设计：作者改进了标准 FR-PTCA 的制造工艺，用导电镍丝（直径 0.25 mm）替代了传统的尼龙单丝作为增强纤维。
结构特点：镍丝以螺旋状缠绕在预拉伸的 PVC 管上，随后进行扭绞和盘绕，并在 90°C 下退火定型。这种设计保留了驱动器的机械顺应性，同时赋予了其内在的电感感知能力。
实验平台：构建了包含气动系统、比例阀、负载传感器、线性位移台及电感测量芯片（LDC1614）的测试平台，用于采集压力、力、长度和电感数据。

B. 物理建模与特性分析

关键发现：实验表征揭示了一个反直觉但关键的物理特性：
- 电感 - 长度：强迟滞，非单调，难以直接用于状态估计。
- 电感 - 力：在恒定压力下，电感与输出力之间存在确定性且低迟滞的关系。
- 电感 - 压力：在等长条件下，电感与压力也呈确定性关系。
机理：FR-PTCA 的变形导致导电螺旋的几何重构（半径和螺距变化），从而改变电感。这种变化主要耦合于内部应力（力）而非宏观长度。
自感知模型：建立了一个参数化的数据驱动模型，将电感 $L$ 映射为力 $F$ 和压力 $P$ 的函数：
$L(F, P) = \lambda_1(P)F^{\lambda_2(P)}e^{\lambda_3(P)F^{\lambda_4(P)}} + \lambda_5(P)$
其中系数 $\lambda_i$ 是压力 $P$ 的线性函数。

C. 状态估计器设计 (Hybrid Observer)

为了解决电感 - 力映射的非单调性和反演模糊问题，作者设计了一种非线性混合观测器，结合了扩展卡尔曼滤波 (EKF) 和 约束优化：

预处理：对原始电感信号进行低通滤波。
预测步骤：利用 EKF 基于恒定速度模型预测当前状态。
优化层：引入中间优化步骤，通过最小化复合代价函数 $J(F)$ $J (F)$ 来求解瞬时力：
- 拟合项 ( $J_{fit}$ )：确保模型预测电感与实测电感一致。
- 连续性约束项 ( $J_{dyn}$ )：惩罚与 EKF 预测状态的偏差，利用动态连续性解决多值模糊（区分上升沿和下降沿）。
- 正则化项 ( $J_{reg}$ )：在电感曲线梯度接近零的区域（峰值附近）提供稳定性，防止数值发散。
输出：优化后的力估计值作为 EKF 的测量更新输入，进而推算出位移。

3. 主要贡献 (Key Contributions)

新型驱动器设计：提出并制造了集成导电镍丝增强的自感知 FR-PTCA，在保持高顺应性的同时实现了内在的本体感知。
物理机制发现与建模：首次揭示了 FR-PTCA 中“电感 - 力”关系的低迟滞确定性特征，并建立了高精度的参数化自感知模型（ $R^2 = 0.9591$ ）。
混合观测器算法：开发了结合 EKF 与约束优化的混合观测器，成功解决了电感 - 力映射中的非单调性和多值模糊问题，实现了实时的力和位移状态估计。
闭环控制验证：证明了基于电感反馈的控制策略在无需外部传感器的情况下，能达到与外部负载传感器相当的跟踪精度。

4. 实验结果 (Results)

状态估计精度：
- 力估计：均方根误差 (RMSE) 为 0.1745 N，归一化 RMSE (NRMSE) 为 3.79%。最大瞬时误差小于 0.53 N。
- 位移估计：由于依赖线性化刚度模型，位移估计误差略大（RMSE 10.89 mm），但在实际软体控制中已足够。
闭环控制性能：
- 在力跟踪实验中，自感知闭环控制将轨迹跟踪误差（RMSE）降低了 42.3% - 68.1%，性能与使用外部传感器的闭环控制相当（甚至在高频下更优），远优于开环控制。
- 在位移跟踪实验中，自感知控制将 RMSE 降低了 51.5% - 73.3%。
鲁棒性测试：在外部负载扰动（随机增减砝码）实验中，自感知系统能快速准确地捕捉力的动态变化，估计误差保持在 0.09 N 以内，且无显著漂移。

5. 意义与价值 (Significance)

消除对外部传感器的依赖：该研究证明了软体驱动器可以通过自身物理特性实现高精度的力感知，解决了软体机器人因添加刚性传感器而破坏顺应性的难题。
控制策略革新：提出的“低迟滞电感 - 力”耦合机制为气动人工肌肉的控制提供了新的物理基础，避开了传统长度感知的迟滞陷阱。
通用性与扩展性：该混合观测器框架具有通用性，可推广至其他具有非线性、多值映射特性的软体执行器系统。
应用前景：为需要高动态响应、高顺应性且对重量敏感的软体机器人（如连续体机器人、柔性抓手）提供了低成本、高可靠性的控制解决方案。

总结：本文通过巧妙的材料替换（镍丝）和先进的算法设计（混合观测器），成功将 FR-PTCA 从单纯的执行器转变为具备高精度自感知能力的智能单元，显著提升了软体机器人的闭环控制性能。