想象一种柔软、灵活的机器人，外形如同章鱼触手或大象鼻子。这就是连续体机器人。与具有刚性关节的硬体机械臂不同，这种机器人能像蛇一样平滑弯曲。
它最酷的技巧之一被称为**“跟随领导者”（Follow-the-Leader, FTL）**。想象一条蛇在狭窄的管道中蜿蜒穿行：蛇头（即末端）探路，而身体的其余部分则精确地重走同一路径，紧随蛇头之后。这一特性在手术或检测中极为出色，因为它能轻柔地抵住管壁，而非猛烈撞击。
问题所在：
大多数执行此类任务的机器人要么被固定在某处，要么只能沿直线滑动。然而在现实世界中，我们常将这些软体机器人安装在一个大型六轴机械臂上（类似带手腕的人臂），以赋予其更大的自由度。
作者所解决的挑战是：如何在整个机器人（包括基座机械臂）围绕其运动的同时，让机器人的头部沿特定路径移动，并确保身体完美跟随头部，既不卡住也不发生别扭的扭曲？
从数学上解决这一问题堪称噩梦。这就像试图解开一个巨型拼图：每移动一块，整个拼图的形状都会改变，而你必须在瞬间完成这一切。
解决方案：一个“预先规划”的库
作者想出了一个巧妙的技巧，以避免在实时中进行复杂的数学运算。他们并非在运行时即时求解拼图，而是预先构建了一个庞大的离线形状库。
不妨将其想象为一本食谱：
- 库（即食谱）： 在机器人开始移动之前，计算机已生成成千上万种机器人可能呈现的形状，并将所有这些“配方”保存在库中。
- 搜索（寻找配方）： 当机器人需要移动到路径上的下一个点时，计算机便在库中查找最契合的形状。
- 神奇的对齐（厨师的诀窍）： 这是本文最大的创新。通常，确定机器人基座应置于何处以匹配该形状，是一个缓慢的迭代猜测过程。而作者发现了一种几何捷径：
- 想象你有一条橡胶蛇的形状。
- 第一步： 抓住蛇尾，将其滑动，使蛇头精确命中目标点。
- 第二步： 围绕该蛇头点旋转整条蛇，直到其身体与路径对齐。
- 第三步： 绕蛇自身的脊柱扭转蛇身，以匹配最终朝向。
- 结果： 利用简单的几何方法，你可在瞬间精确得知机器人基座所需的位置。无需猜测，无需缓慢计算。
实际运作方式：
- 全局搜索： 计算机快速从库中为下一步挑选最佳“配方”（形状）。
- 局部插值： 在主要步骤之间，计算机填补间隙，使运动平滑，如同在点与点之间绘制平滑曲线。
- 径向对称性： 由于这些机器人呈圆形，它们可绕自身脊柱扭转而不改变形状。计算机利用这一特性来对齐机器人，防止其在移动过程中剧烈旋转。
结果：
团队在计算机仿真和安装在机械臂上的真实机器人上测试了该方法。
- 完美的头部追踪： 机器人头部以0% 误差命中每个目标点。这在数学上被保证为精确无误。
- 平滑的身体： 身体紧密跟随路径（仿真中偏差小于 2%）。
- 速度： 由于使用了预建库和几何捷径，规划速度极快。他们甚至可采用“聚类”技巧（将相似形状分组），以牺牲极小精度为代价，大幅提升速度。
总结：
这篇论文教会了软体机器人如何在被机械臂握持的情况下，完美地沿路径蜿蜒穿行。它不再每秒进行困难计算，而是利用预制的形状库和巧妙的几何技巧，瞬间确定机器人基座的位置。这使得机器人能够平滑、安全且精确地运动，是将此类柔性机器人应用于手术或检测等现实任务的一大飞跃。
技术摘要：基于采样的机械臂搭载连续体机器人“跟随领导者”运动规划
1. 问题表述
本文解决了搭载于具有完全驱动 6 自由度（6-DOF）基座位姿（$SE(3)$）的机械臂上的连续体机器人（CRs）的“跟随领导者”（Follow-the-Leader, FTL）运动规划问题。
- 背景：FTL 是一种关键的运动基元，机器人躯干重述其末端的轨迹，从而最小化对周围组织或结构的侧向力。尽管该运动模式已在蛇形机器人、可转向针和同心管机器人中得到广泛研究，但现有的肌腱驱动连续体机器人（TDCRs）方法通常假设基座固定或仅进行单自由度（1-DOF）线性插入。
- 差距：实际部署日益涉及将连续体机器人安装在串联机械臂上（例如手术机械臂、工业检测机器人）。这引入了一个必须与机器人内部构型（Q）协调的 6-DOF 基座位姿。
- 挑战：组合构型空间（K=SE(3)×Q）具有高维和非线性特征。现有方法通常依赖简化的运动学模型（如分段恒定曲率，PCC）和迭代优化（如逆运动学求解器）。这些方法存在以下缺陷：
- 对初始值敏感，易收敛至局部极小值。
- 由于计算成本高昂，无法利用复杂且精确的正向模型（如 Cosserat 杆、有限元法 FEM、神经网络）。
- 缺乏关于解的完备性或末端跟踪精度的形式化保证。
目标：给定一组有序的 3D 航点 W，生成连续运动规划，使机器人末端精确跟踪路径，且插入的躯干尽可能减少偏离路径，同时联合优化连续体机器人构型和 6-DOF 基座位姿。
2. 方法论
作者提出了一种基于采样的框架，将全局形状搜索与局部插值及基座位姿确定解耦。核心创新在于一种闭式几何构造，该方法能唯一确定任意候选形状对应的 6-DOF 基座位姿，从而消除了在线规划期间对迭代优化的需求。
A. 离线库生成
- 通过均匀采样连续体机器人构型空间 Q，预先离线计算形状库。
- 对于每个样本，使用通用正向模型（FM）计算离散化的骨架点。
- 这将复杂运动学模型的计算负担转移至离线阶段，使得那些在线优化中不切实际的模型得以应用。
- 聚类：为了将在线搜索复杂度从 O(Nlib) 降低至 O(Nlib)，基于成对相似性对形状进行聚类。在执行过程中，规划器首先评估聚类中心，然后对匹配度最佳的聚类进行穷举搜索。
B. 在线基座位姿对齐（几何构造）
对于每个航点 wi 和来自库中的候选形状 S，基座位姿 Tb∈SE(3) 通过三个连续变换确定，以将形状对齐至活动路径：
- 平移：平移形状，使末端（pD）精确重合于当前航点 wi。
- 绕末端旋转：绕 wi 旋转形状，使从活动形状点到末端的向量与路径方向对齐。
- 轴向旋转：通过将第三个对应点（基于弧长比例）对齐至路径，解决剩余的旋转自由度（扭转）。
关键特性：该构造在设计上保证了精确的末端定位（pD=wi），无论选择何种形状，均无需迭代求解。
C. 形状评估与选择
- 使用对称 Chamfer 距离计算变换后的形状与活动路径之间的偏差。
- 选择偏差最小的形状。该过程可在库范围内并行化。
- 选定的构型 (q,Tb) 构成稀疏运动规划。
D. 局部插值
为生成用于部署的连续轨迹：
- 径向对称预对齐：通过将连续构型旋转至公共参考方向进行预对齐，利用连续体机器人的径向对称性以最小化方向不连续性。
- 平滑插值：通过线性插值关节状态并使用球面线性插值（SLERP）处理末端方向，生成中间构型。
- 基座位姿重构：对于每个插值步骤，利用正向模型末端位姿相对于期望插值末端位姿的逆，构建基座位姿。这确保了在整个插值步骤中保持精确的末端跟踪。
3. 理论保证
本文建立了通常在基于优化的方法中缺失的形式化保证：
- 分辨率完备性：随着库大小 Nlib→∞，找到有效规划（如果存在）的概率趋近于 1。这依赖于形状偏差度量的 Lipschitz 连续性。
- 构造性精确末端跟踪：几何对齐确保在每一个离散步骤中末端精确位于航点处。
- 渐近末端跟踪收敛性：随着插值步骤数量的增加，末端在航点间线性路径上的最大偏差消失（O(1/h2)）。
4. 实验结果
该方法在三种设置下进行了评估：
A. PCC 模型与优化基线对比
- 设置：涵盖三类（C 形曲线、S 形曲线、机器人曲线）的 120 条路径。与 L-BFGS-B 优化基线进行对比。
- 结果：
- 末端误差：所提方法为 0%（优化基线约为 1.2%）。
- 形状偏差：线性搜索变体优于优化基线（例如，C 形曲线为 1.25% 对比 1.74%）。
- 效率：聚类变体将计算时间减少了一个数量级以上（例如，约 1.8 秒对比约 40 秒），且形状精度损失极小。
B. MuJoCo 仿真（伪刚体模型）
- 设置：使用系统辨识的伪刚体（PRB）模型，包含 30 个刚性连杆和弹性关节，以模拟真实的变形和分段耦合。
- 结果：实现了 0% 的末端误差。由于模型复杂性，形状偏差略高（约 2.5–3.2%），但仍具有竞争力，证明了其可扩展至复杂正向模型的能力。
C. 硬件演示
- 设置：将 3 段肌腱驱动连续体机器人安装在 7-DOF Franka 机械臂上。
- 结果：机器人成功执行了协调的 FTL 运动。
- 末端误差：观测到的硬件误差（均值 5.5%–9.1%）归因于系统辨识模型与物理现实之间的差距（肌腱拉伸、摩擦、迟滞），而非规划器失效。
- 验证：硬件结果证实，规划器生成了平滑、可执行的轨迹，实现了定性正确的 FTL 运动。
5. 意义与主张
本文声称提出了首个针对具有完全驱动 $SE(3)$ 基座的连续体机器人的 FTL 运动规划方法，并提供形式化规划保证。
- 解耦：主要贡献是将形状搜索与基座位姿确定解耦。通过几何方式求解基座位姿，该方法避免了高维空间中迭代优化的局部极小值和计算瓶颈。
- 模型无关性：通过将繁重计算移至离线阶段，该框架支持任何正向模型（PCC、Cosserat、FEM、神经网络）。
- 实用性：它弥合了理论规划与机械臂搭载系统实际部署之间的差距，提供了速度（通过聚类）与精度之间的原则性权衡。
- 安全性与可预测性：理论保证（分辨率完备性和精确末端跟踪）解决了安全关键需求，在这些需求中，不可预测的规划器行为是不可接受的。
作者指出了局限性，包括假设与基座位姿无关的正向模型（忽略重力效应）以及缺乏轨迹范围内的形状优化，并建议将这些作为未来工作的方向。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。