Quasi-Static Control of Discrete Cosserat Rod

想象一下，不要将软体机器人视为带有关节和齿轮的刚性机器，而是将其想象成一根有生命的、灵活的面条或意大利面。控制这根“面条”十分棘手，因为它可以以无限种方式弯曲、扭转、拉伸和剪切。本文由 Srishti Siddharth 撰写，提出了一种巧妙的方法，为这根面条赋予一个“大脑”，使其能够精确地移动到你想让它去的位置，或保持特定形状，而无需通过试错来学习。

以下是他们方法的分解，使用了简单的类比：

1. 问题：无限的面条

传统机器人就像刚性块的链条（例如带有肘部和肩膀的人类手臂）。如果你知道每个关节的角度，你就确切知道手的位置。

然而，软体机器人就像花园水管。如果你推一端，整根水管都会扭动。要控制它，你需要一张数学地图。作者使用了一种称为Cosserat 杆的理论，将机器人视为一条可以拉伸和扭转的连续线。然而，求解这条连续且扭动线条的数学问题极其复杂（就像试图预测流动河流中每一个水分子的路径）。

2. 解决方案：“串珠”方法（PCS）

为了使数学问题易于处理，作者使用了一种称为**分段恒定应变（PCS）**的方法。

• 类比：想象将那根长长的、灵活的面条折断成几个不同的刚性段，就像一串珠子或一个由连接块组成的玩具蛇。
• 工作原理：他们不将机器人视为一条连续的、扭动的线，而是假设它由$N$个短段组成。在每个段内，弯曲和扭转是恒定的（从段的一端到另一端不发生变化）。
• 结果：这将一个超复杂的连续问题转化为一个看起来完全像带有刚性关节的传统机器人的系统。突然间，数学变得容易得多，类似于标准工业机械臂所使用的数学。

3. 大脑：两种下达指令的方式

本文设计了两种不同的“控制律”（算法）来告诉这个串珠机器人该做什么。可以将这些视为给司机指路的两种不同方式。

方法 A：“姿态”控制器（应变空间）

• 目标：你希望机器人保持特定形状（如"C"形或螺旋形）。
• 类比：想象你是一位雕塑家。你并不告诉粘土在房间里去哪里，而是告诉粘土如何弯曲自身。
• 工作原理：控制器精确计算每个“珠子”需要弯曲或扭转多少才能达到所需的形状。它使用反馈回路：“这里弯得太多了，那里少弯一点。”它确保机器人 settles 到完美的形状并保持在那里，即使重力试图将其拉下。

方法 B：“目标”控制器（任务空间）

• 目标：你希望机器人的尖端（末端执行器）遵循特定路径，例如在空中画一个圆。
• 类比：想象你在开车，你只关心目的地（GPS 标记），而不关心每一秒方向盘的具体角度。
• 工作原理：控制器暂时忽略内部弯曲，完全专注于尖端。它计算将尖端推向目标所需的力。如果尖端偏左，它就施加向右的力。这对于让机器人的手跟随移动目标非常有效。

4. “逆向地图”（逆运动学）

在机器人移动之前，计算机需要知道：“如果我希望尖端位于点 X，每个珠子应该弯曲多少？”

• 类比：这就像 figuring out 如何折叠一张纸以制作特定的折纸鹤。可能有很多种折叠方式，但计算机需要找到那种使用最少能量（最容易的折叠）的方式。
• 本文的主张：作者创建了一种算法（使用称为牛顿 - 拉夫逊的方法）来解决这个“折叠”难题。他们表明，由于机器人是冗余的（它拥有比严格必要更多的“关节”），通常有多种方式可以到达同一个位置，而他们的数学可以找到最佳方案。

5. 结果：仿真

作者在这篇论文中没有制造物理机器人；他们进行了广泛的计算机仿真（数值实验）。

• 实验 1（形状）：他们要求机器人卷曲成特定形状。机器人完美地做到了，在约 2.5 秒内 settles 到该形状。
• 实验 2（圆形）：他们要求机器人的尖端画一个圆。两种控制方法都有效，但“目标”控制器（方法 B）非常直接，仅在需要时将力施加以保持尖端在圆上。
• 注意事项：论文指出，要移动机器人，所需的“力”可能相当大（数百牛顿），这是移动刚性材料的物理现实，即使它们是柔软的。

总结

简而言之，这篇论文将非常复杂、扭动的软体机器人简化为刚性块的链条。然后，它编写了两组指令：一组告诉机器人“像这样弯曲以保持形状”，另一组说“将你的手移动到这个位置”。计算机仿真证明这些指令有效，使软体机器人能够精确移动并保持形状，弥合了软材料混乱世界与刚性机器人控制精确世界之间的鸿沟。