Optimal Design and Analytical Modeling of a Soft Fin-Ray Effect Gripper Finger Using the Finite Rigid Elements Method

本文提出了用于精细农业采摘的类鱼鳍结构（Fin-Ray-inspired）软体抓取器手指的最优设计与解析建模，利用有限刚性单元法实现了高精度力控制，并通过 ANSYS 仿真与实验测试进行了验证。

要点

想象一下，尝试用一个机器人手去捡起一个成熟多汁的西红柿。如果这只手是由坚硬的金属制成的，它会压碎水果；如果它太软塌，则根本抓不住。这篇论文描述了作者如何构建并为一个特殊的机器人手指设计“大脑”，这个手指通过模仿鱼鳍的内部结构解决了这个问题。

以下是他们工作的简单化解读：

1. 灵感来源：鱼鳍

这个机器人手指基于鳍条效应（Fin Ray Effect）。想象一下鱼尾鳍的内部。它有一个柔软的外皮，但内部有一个由小型倾斜肋骨组成的骨架。当你从侧面推挤鱼鳍时，它并不会仅仅向侧面弯曲，而是会实际上绕着受力物体弯曲，紧紧地包裹住物体。作者希望做出一个能实现同样功能的机器人手指：它能温柔地包裹住像西红柿这样形状不规则的物体，而不会将其挤碎。

2. 挑战：预测不可预测性

软体机器人很难设计，因为它们是由柔软的材料（在这种情况下是一种名为 TPU 的柔性塑料）制成的。与刚性的金属手臂不同，软体手指可以以无限种方式弯曲。这就像试图预测一根湿掉的面条在你戳它时会如何瘫软一样。

为了解决这个问题，作者需要一种不需要陷入耗时数小时的超复杂计算的方法。他们使用了两种主要工具：

• “虚拟乐高”法 (FREM)： 他们将软体手指分解成一串由微小弹簧和阻尼器（类似于减震器）连接的小型刚性块。这就是有限刚性元件法（Finite Rigid Elements Method）。这就像假定一条灵活的蛇实际上是由铰链连接的刚性环节组成的链条。这使得数学计算变得更快、更容易求解，非常适合教机器人进行实时运动。
• “超级强大的模拟器” (ANSYS)： 他们还使用了一种重型计算机模拟，在微观层面观察材料是如何拉伸和弯曲的。这是他们的“金标准”，用于检查他们的“虚拟乐高”数学模型是否正确。

3. 实验：寻找完美形状

作者并没有凭空猜测手指的形状；他们进行了数千次虚拟测试，以找到那个“金发姑娘”区间——既不太硬，也不太软。他们调整了四个主要变量：

• 宽度： 手指有多宽。
• 肋骨间距： 内部“骨骼”之间的距离。
• 肋骨角度： 这些内部骨骼的倾斜角度。
• 肋骨厚度： 这些骨骼有多厚。

获胜配方：
他们发现效果最好的手指具有以下参数：

• 宽度为 30 mm（大约是一个大拇指的宽度）。
• 肋骨间距为 10 mm。
• 肋骨角度为 -15 度（向后轻微倾斜）。
• 肋骨厚度为 1 mm。

这种特定的组合使手指能够恰到好处地弯曲，从而包裹住西红柿，同时施加适度的温柔压力。

4. 结果：效果如何？

他们制造了一个真实的 3D 打印手指，并将其与计算机模型进行了对比测试。

• “虚拟乐高” (FREM) 模型表现得非常准确，预测手指弯曲方式的误差仅为 3%。
• “超级强大的模拟器” (ANSYS) 甚至更加精确，误差仅为 2%。

现实世界的测试证实，该手指能够胜任抓取精细物品的任务，且不会造成挤压。他们创建的数学模型现在可以作为控制器的“大脑”，用于自动调节机器人的抓握力度，确保永远不会伤害到水果。

总结

简而言之，作者借鉴了鱼鳍的设计，将其转化为 3D 打印的机器人手指，并利用“链式”数学与重型计算机模拟的巧妙结合，弄清楚了究竟该如何建造它。他们证明了你可以高精度地预测一个柔软、具有弹性的机器人会如何表现，这为机器人采摘娇嫩农作物而不造成损坏铺平了道路。

技术摘要

技术摘要：基于有限刚性单元法的软体 Fin-Ray 效应夹持器手指的最优设计与解析建模

问题陈述
软体机器人夹持器对于精细操作易碎、形状不规则的物体（特别是农业应用中的番茄采摘）至关重要。然而，软体机器人固有的挑战——特别是非线性材料行为、无限自由度以及多变的材料特性——使得开发精确的力控制策略变得复杂。虽然有限元分析（FEM）提供了高精度，但其计算成本往往过高，难以满足实时控制的需求。相反，纯数据驱动或简化的理论模型可能缺乏可靠动态控制所需的解释性或准确性。本研究旨在解决一个设计与建模框架问题，该框架需在解析精度与计算效率之间取得平衡，以实现软体夹持器的精确力控制。

研究方法
本研究采用了结合设计优化、解析建模和实验验证的三位一体方法：

1. 设计与制造：

   • 利用带有内部肋结构的梯形纵向梁结构设计了一个 Fin-Ray 效应（FRE）夹持器手指。
   • 该手指通过 3D 打印使用热塑性聚氨酯（TPU 95A）制造而成。
   • 利用 ANSYS Workbench（静态结构模块）进行了参数化研究，以优化四个几何变量：手指宽度、肋间距、肋角度和肋厚度。
   • 性能评估基于四个标准：末端位移（X 和 Y 方向）、总变形量、应力分布以及接触力。

2. 解析建模（有限刚性单元法 - FREM）：

   • 为了应对软体机器人建模的挑战，作者开发了一种基于有限刚性单元法的动态模型。
   • 将柔性手指离散化为由扭转弹簧和阻尼器连接的刚性单元，从而将系统简化为有限数量的自由度（8 个自由度）。
   • 该模型利用 Denavit-Hartenberg（DH）约定进行运动学描述，并使用 Newton-Euler 法推导控制动态方程。
   • 假设包括平面运动、忽略扭转/纵向拉伸，以及在力与力矩平衡的准静态平衡条件下忽略惯性效应。
   • 刚度和阻尼系数沿手指呈抛物线分布，即靠近基座处数值较高，靠近末端处数值较低。

3. 实验验证：

   • 构建了一个包含电动基座、单轴弯曲力传感器和编码器的测试平台。
   • 通过高速视频（60 fps）采集运动数据，并使用图像处理软件（Tracker 软件）提取连杆角度。
   • 通过电流测量（INA219 传感器）对电机转矩进行校准，并直接测量接触力。
   • 实验数据用于验证 FREM 理论模型和 ANSYS 数值模拟。

关键结果

• 最优设计参数： 参数化分析确定了最优配置为：手指宽度 30 mm，肋间距 10 mm，肋角度 -15°，肋厚度 1 mm。该配置产生的最大接触力约为 9.88 N，末端位移分别为 1.43 mm (X) 和 0.05 mm (Y)，总变形量为 21.86 mm。-15° 的角度和 1 mm 的厚度在柔韧性、刚度和结构完整性之间提供了最佳平衡。
• 模型准确性：
  • ANSYS FEM： 数值模拟预测的手指变形与实验结果相比，误差仅为 2%。
  • FREM 解析模型： 理论模型预测的变形误差为 3%。
  • 虽然 FEM 方法在捕捉应力和应变分布方面具有更高的精度，但 FREM 模型成功捕捉到了整体变形趋势和连杆旋转，且精度足以满足控制应用的要求。
• 动态行为： 研究证实，弯曲行为在低负载（4 N）时表现为线性，在高负载（10 N）时表现为非线性。FREM 模型有效地表征了这种行为，验证了在测试条件下使用准静态平衡方程的合理性。

意义与主张
本文声称，所提出的框架成功弥合了高保真模拟与软体机器人实时控制需求之间的差距。通过利用有限刚性单元法，作者提供了一个计算高效的解析模型，该模型保持了足够的准确性（3% 误差），能够用于开发力控制器，同时避免了在控制循环中使用全量 FEM 模拟带来的计算开销。

研究表明，将参数化 FEM 优化与 FREM 理论建模相结合，为设计仿生软体夹持器奠定了坚实的理论基础。作者断言，这种方法能够实现处理脆弱农产品所需的精确力控制，为缺乏解释性且需要大量重新训练的“黑盒”数据驱动方法提供了一种可靠的替代方案。经过验证的模型可作为设计最优结构以及在动态软体机器人应用中实施智能控制策略的实用工具。