💻 computer science

Strain-Parameterized Coupled Dynamics and Dual-Camera Visual Servoing for Aerial Continuum Manipulators

本文提出了一种将应变参数化 Cosserat 杆模型与无人机刚体模型统一于 SE(3) 拉格朗日常微分方程框架下的耦合动力学建模方法，并据此设计了一种能够克服视场限制、补偿姿态扰动并具备形式稳定性保证的双目图像视觉伺服控制方案，显著提升了线驱动空中连续体机器人在真实场景中的操作性能与鲁棒性。

原作者： Niloufar Amiri, Farrokh Janabi-Sharifi

发布于 2026-03-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Niloufar Amiri, Farrokh Janabi-Sharifi

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非常酷的“空中机械手”技术，我们可以把它想象成给无人机装上了一根像“大象鼻子”一样柔软灵活的机械臂。

为了让你更容易理解，我们可以把这项技术拆解成三个核心部分：身体（机械臂）、大脑（控制算法）和眼睛（视觉系统）。

1. 身体：像大象鼻子一样的“软”手臂

传统的无人机（比如大疆）通常带着一个硬邦邦的机械臂，就像拿着根棍子。但这篇论文里的无人机，装的是一个连续体机械臂（Continuum Manipulator）。

比喻：想象一下章鱼触手或者大象的鼻子。它没有一个个硬邦邦的关节，而是整根都是软的，可以弯曲成各种形状。
挑战：这种“软”东西很难控制。因为它太灵活了，稍微动一下，整个形状都会变，而且无人机本身飞起来也不稳（风一吹就晃）。以前的科学家很难算清楚这种“软手臂”和“晃动的无人机”在一起时，到底该怎么动，算起来太慢，电脑都跑不动。
这篇论文的突破：作者发明了一种新的“数学公式”（应变参数化模型），就像给这个软鼻子画了一张超级精准的“运动地图”。这张地图不仅算得快，还能把无人机飞行的晃动和鼻子的弯曲完美地结合起来算，不再把它们分开处理。

2. 眼睛：一双“远近结合”的超级眼睛

为了让这个机械手能精准地抓取东西，它需要“看”得准。

传统问题：以前的视觉系统通常只有一只眼睛（摄像头）。如果无人机飞得太快，或者鼻子弯得太厉害，目标物体就会跑出摄像头的视野（就像你转头太快，东西就看不见了）。
这篇论文的突破：他们给系统装上了双摄像头，就像人既有主视眼（盯着目标看细节），又有余光（看大局）。
- 近眼（Local Camera）：装在机械臂的尖端，离目标很近，看得很清楚，用来做精细操作。
- 远眼（Global Camera）：装在无人机机身上，视野很广，用来找目标。
神奇的功能：如果目标跑出了“近眼”的视野，系统会自动切换到“远眼”模式，指挥机械臂先把自己摆正，把目标重新找回来，然后再切回“近眼”进行精准抓取。这就像你找东西时，如果离远了看不清，就先走近一点，再伸手去抓。

3. 大脑：聪明的“自动驾驶”系统

有了身体和眼睛，还需要一个超级聪明的“大脑”来指挥。

难点：无人机本身是不完全受控的（比如它不能直接左右平移，必须通过倾斜机身来产生侧向力）。再加上软机械臂的不确定性（比如材料老化、摩擦力变化），控制起来非常难。
解决方案：作者设计了一个双层控制系统。
- 高层大脑（视觉伺服）：负责看画面，决定“我要把东西移到屏幕中间”。它非常聪明，能自动抵消无人机晃动带来的画面抖动。
- 底层大脑（自适应控制器）：负责具体的肌肉运动。它像一个经验丰富的老司机，即使路况不好（有风、模型不准），也能通过不断的微调，保证机械臂稳稳地走到指定位置。论文还从数学上证明了这套系统是非常稳定的，不会乱套。

总结：这有什么用？

简单来说，这项技术让无人机变得既灵活又强壮，还能在复杂的环境里干活。

以前：无人机带个硬手臂，只能干简单的活，稍微有点风或者障碍物就抓不住，或者算不过来账。
现在：这个“大象鼻子”无人机可以飞进狭窄的空间（比如废墟、管道），用柔软的鼻子去探索、抓取，即使风很大或者模型不完美，它也能靠那双“双摄像头”和“聪明大脑”稳稳地完成任务。

一句话概括：这就好比给无人机装上了一根自带导航、能自动找目标、且怎么晃都不怕的“智能大象鼻子”，让它能像杂技演员一样在空中灵活地干活。

这篇论文提出了一种针对肌腱驱动空中连续体机械臂（TD-ACMs）的通用动力学建模与双相机视觉伺服控制框架。该研究旨在解决现有方法中计算成本高、未显式考虑无人机（UAV）欠驱动特性以及缺乏鲁棒性控制等问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景：空中连续体机械臂（ACMs）结合了无人机的机动性和连续体机器人的柔顺性，适合在不确定或接触丰富的环境中操作。然而，其分布式的变形、配置相关的刚度以及强双向耦合特性使得建模和控制极具挑战性。
现有局限：
- 建模方面：现有的耦合动力学模型通常计算成本高昂，或者依赖简化的常曲率（CC）假设，无法在大变形、外部负载和动态飞行条件下准确预测行为。此外，许多方法将 UAV 与机械臂的相互作用视为干扰，忽略了欠驱动 UAV 平台与连续体机器人之间的强耦合。
- 控制方面：缺乏能够处理系统不确定性（如材料变异、摩擦、气动干扰）的鲁棒耦合控制方案。
- 视觉伺服方面：传统的单目视觉伺服（IBVS）在 UAV 姿态变化（如滚转和俯仰）引起的图像运动、视场（FoV）丢失以及连续体变形导致的图像畸变面前表现不佳。

2. 方法论 (Methodology)

A. 应变参数化的耦合动力学建模

统一框架：作者提出了一种基于 SE(3) 群的统一拉格朗日常微分方程（ODE）框架。
核心模型：
- 将应变参数化的 Cosserat 杆模型（用于描述连续体机器人）与刚体 UAV 模型相结合。
- 利用 D'Alembert 原理推导动力学方程，显式地包含了 UAV 的欠驱动特性（通过广义力映射矩阵）。
- 优势：该方法消除了对计算密集型符号推导的需求，能够保留连续体机器人的刚度、阻尼特性，并处理分布式的身体力矩（body wrenches），同时保证了计算效率。

B. 双相机视觉伺服算法 (Dual-Camera Visual Servoing)

架构：采用**眼在手上（EIH，局部相机 $C_L$ ）和眼在手外（ETH，全局相机 $C_G$ ）**相结合的双相机架构。
姿态补偿：提出了一种在图像空间中消除 UAV 滚转（Roll）和俯仰（Pitch）引起图像运动的方法。通过引入**虚拟相机（Virtual Camera）**概念，在 SE(3) 上定义虚拟姿态，从而补偿 UAV 姿态变化对图像特征的影响。
高级特征 IBVS：
- 使用基于多特征点的高级图像特征（包括质心、周长和旋转角度），而非单点特征。
- 这种设计保证了全局稳定性，解耦了平移与旋转运动，且交互矩阵维度固定且较小，利于实时计算。
视场丢失恢复策略：
- 当目标移出局部相机视场时，系统自动切换至基于全局相机的预规划轨迹跟踪模式。
- 一旦特征重新进入局部相机视场，立即切换回高精度的 IBVS 模式。这种平滑切换机制确保了任务的连续性。

C. 分层控制架构

高层：基于图像的视觉伺服控制器，生成期望的关节空间速度。
底层：一种自适应耦合控制器。
- 基于滑模控制原理，引入参数不确定性估计项（ $\hat{\Delta}$ ）。
- 针对 UAV 的欠驱动特性，设计了分层控制：外环计算期望的滚转和俯仰角以实现横向运动，内环控制电机推力和肌腱张力。
- 稳定性证明：通过 Lyapunov 函数证明了闭环系统的稳定性，确保跟踪误差和不确定性估计误差有界并收敛。

3. 主要贡献 (Key Contributions)

统一的控制框架：提出了首个集成了高层 IBVS 和底层自适应耦合控制器的多级别双相机视觉控制框架，专门用于鲁棒的 TD-ACM 操作。
双相机 VS 架构：利用 IBVS 对建模误差的鲁棒性，通过双相机互补优势解决视场丢失问题，并直接在图像空间中补偿 UAV 的欠驱动效应。
自适应耦合控制器：设计了具有形式化稳定性保证的自适应控制器，能够有效应对连续体机器人的参数不确定性和强耦合动力学。
精确且高效的动力学模型：提出了一种基于 SE(3) 的几何精确、应变参数化的耦合动力学模型。与现有的拉格朗日公式相比，它无需复杂的符号推导，同时保留了刚度和阻尼特性，显著提高了计算效率。
广泛的验证：通过仿真和自定义原型机的实验，验证了框架在参数不确定性和环境干扰（如机械振动）下的鲁棒性。

4. 实验结果 (Results)

仿真环境：在 PyBullet 中构建，包含 10% 的参数扰动以测试鲁棒性。
- 计算效率：与基于常曲率假设的现有耦合模型（文献 [14]）相比，所提方法的平均迭代计算时间减少了约 26.3%（0.0339s vs 0.0460s）。
- 控制性能：在视场丢失场景下，双相机切换策略成功恢复了目标跟踪，归一化均方根误差（RMSE）显著降低。
实验验证：
- 使用定制的 Nitinol 骨架 TD-ACM 原型机（搭载 Holybro X650 无人机）进行了地面和空中测试。
- Test A (地面/固定基座)：验证了 IBVS 在视场内的收敛性，特征误差单调下降。
- Test B (地面/双相机切换)：验证了从全局相机引导恢复视场到局部相机精确跟踪的平滑切换。
- Test C (空中/全耦合)：这是最复杂的场景。尽管存在结构振动、下洗气流和强动态耦合导致的图像特征振荡，系统仍能逐步减小误差并稳定在目标姿态。实验表明，即使在强耦合和干扰下，图像特征误差也呈现下降趋势。

5. 意义与影响 (Significance)

理论突破：填补了完全耦合、几何精确且计算高效的 TD-ACM 动力学模型的空白，解决了欠驱动 UAV 与连续体机器人耦合建模的难题。
实际应用价值：提出的双相机视觉伺服方案极大地提高了空中操作在复杂环境（如 GPS 拒止、特征稀疏、视场受限）下的鲁棒性和可靠性。
工程指导：通过自适应控制策略，降低了对精确系统参数（如摩擦、材料属性）的依赖，使得 TD-ACM 在现实世界的不确定环境中具有更高的操作可行性。
未来方向：该工作为未来的空中连续体机器人操作（如物理交互、双机械臂配置）奠定了坚实的建模与控制基础。

综上所述，这篇论文通过创新的建模方法和鲁棒的视觉伺服控制策略，显著提升了肌腱驱动空中连续体机械臂在动态、不确定环境下的操作能力，是机器人学与无人机控制领域的一项重要进展。