💻 computer science

A New Quaternion-Joint Cable-Driven Redundant Manipulator Configuration and its Control Through FABRIK and Residual Reinforcement Learning

本文介绍了一种利用四元数关节来实现更广工作空间且降低硬件成本的新型四段式、八关节线驱冗余机械臂，并证明了残差强化学习在控制精度和简易性方面显著优于 FABRIK 算法。

原作者： Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien, Pasut Aranchaiya, Paulo Garcia, Viboon Sangveraphunsiri

发布于 2026-06-05

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien, Pasut Aranchaiya, Paulo Garcia, Viboon Sangveraphunsiri

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

想象一下，你需要一个能够扭转、旋转并挤过狭窄拥挤空间的机器人手臂——就像蛇在管道中穿行，或者外科医生绕过器官进行操作一样。传统的机器人手臂通常僵硬、沉重，并且每个关节都需要一个电机，这使得它们既笨重又昂贵。

这篇论文介绍了一种构建这类“类蛇形”机器人更轻、更智能的新方法，以及一种教它们如何精确移动的新方法。

以下是他们发明内容的简单拆解：

1. 新型“关节”（柔性铰链）

把标准的机器人手臂想象成一串僵硬的金属链条。为了弯曲，它需要许多独立的电机。研究人员使用了一种被称为**四元数关节（Quaternion Joint）**的特殊部件。

类比： 想象一下汽车传动轴上的万向节。它可以同时向任何方向弯曲，而不仅仅是上下或左右。
益处： 通过使用这些“超级关节”，团队构建了一个拥有 4 个段落和仅 8 个关节的机器人手臂。之前的设计需要 12 个关节才能完成同样的工作。这意味着更少的电机、更轻的重量以及更便宜、更简单的机器人。

2. 问题：“地图”与“疆域”

即使有了出色的设计，控制机器人仍然很困难，因为有两个原因：

数学很难： 计算如何移动 8 个关节以到达特定点是一个复杂的谜题。
现实是混乱的： 当你制造机器人时，会发生微小的误差（螺丝稍微松动，电缆稍微拉伸）。数学说“移动到这里”，但物理机器人最终停在了“那里”。

3. 第一种解决方案： “FABRIK”算法

团队首先尝试使用一种称为 FABRIK 的方法来控制机器人。

类比： 想象你在伸手去拿高架子上的饼干。你伸出手臂（前向到达），意识到没够到，然后向后拉回你的肘部和肩膀进行调整（后向到达）。你重复这个“伸展与拉回”的循环，直到你的手正好到达你想去的地方。
结果： 这种方法可行，但速度较慢，并且当机器人的物理部件与完美的数学模型不完全匹配时，它会表现得难以应对。这就像是在解一个拼图，而拼图的碎片形状一直在发生微小的变化。

4. 第二种解决方案：“残差强化学习”（RRL）

为了解决现实世界的混乱问题，他们在 FABRIK 方法之上添加了一个“智能助手”。这被称为残差强化学习（Residual Reinforcement Learning）。

类比： 把 FABRIK 想象成一个通过教科书刻苦学习的学生。他们完美掌握了理论。但当他们参加考试（现实世界）时，由于测试环境很奇怪，他们会犯一些小错误。
“残差”部分： 此时，“导师”（AI）登场了。导师并不教学生如何走路，它只是低声进行微小的修正：“你向左偏了 2 度”，“把那根电缆再拉紧一点点”。
运作方式： 机器人使用教科书中的数学来进行大动作，而 AI 则学习如何修复由摩擦、零件松动或电缆拉伸引起的那些细微且令人烦恼的误差。

5. 他们的发现

研究人员构建了一个物理原型并在计算机模拟中进行了测试。

工作空间： 通过让关节弯曲得更远（最高达 70 度，而非 40 度），他们拥有 8 个关节的机器人可以达到与旧有的、更重的 12 关节机器人同样远的距离。
准确度： “AI 导师”（RRL）比单纯的“教科书学生”（FABRIK）要精确 1,000 倍。
- 注：论文提到 AI 将误差降低了“三个数量级”，这意味着如果旧方法有几毫米的误差，新方法则只有不到一毫米的误差。
代价： 虽然 AI 在模拟中表现得极其精确，但团队承认，要让它在物理机器人上完美运行仍是一个正在进行中的课题。他们证明了该系统是有效的，但它需要更多的训练时间才能在现实世界中达到完美。

总结

这篇论文展示了一种更轻、更便宜的机器人手臂，它利用更少的部件来完成同样的工作。为了控制它，他们将标准的数学方法与一个**智能 AI“修正层”**相结合。这种结合使机器人能够忽略自身构造中的微小缺陷，并实现极高的运动精度，远优于仅使用数学的方法。

技术摘要：一种新型四元组关节驱动冗余机械臂配置及其通过 FABRIK 与残差强化学习的控制研究

问题陈述
能够在高度受限的工作空间中导航任意空间路径的机器人手臂，对于从卫星维修到外科手术等行业至关重要。虽然线缆驱动冗余机械臂（CDRM）在减轻重量和提高灵活性方面具有优势，但传统设计通常需要 $3N$ 个电机来实现 $2N$ 个自由度（DOF）。利用四元组关节（quaternion joints）的最新进展已将这一比例降低至 $2N$ 个电机实现 $2N$ 个自由度，从而实现了更紧凑的结构。然而，控制这些系统仍然具有挑战性。四元组关节复杂的运动学模型对计算能力提出了极高要求，且这些系统固有的非线性放大了设计与实际制造之间的差异（例如，制造精度误差、线缆滞后）。现有的控制方法，如前向与后向到达逆运动学（FABRIK）算法，除非制造工艺近乎完美，否则在非结构化环境中往往难以保证收敛的鲁棒性。

方法论
作者提出了一种新型机械设计和一种混合控制策略来解决这些挑战。

机械设计：
- 团队开发了一种4 段式、8 关节机械臂。与之前使用每段 3 个关节（共 12 个）的配置（如 Huang 等人的研究）不同，该设计将每段的关节数减少到了 2 个。
- 为了在减少关节数量的同时保持工作空间，该设计将每个关节的最大弯曲角度从 $\pm 40^\circ$ 增加到了 $\pm 70^\circ$ 。
- 四元组关节使用针对万向节机构适配的 Denavit-Hartenberg (DH) 参数进行建模，并使用多项式近似来表示弯曲方向 ( $\phi$ ) 和角度 ( $\theta$ )。
控制策略：
- FABRIK 实现： 实现了一个基准模型控制算法。机械臂的状态通过位置和方向向量转换为虚拟等效模型。该算法执行内部迭代（通过前向和后向到达求解 5 个自由度）和外部迭代（求解最终的滚转自由度）以收敛至目标姿态。
- 残差强化学习 (RRL)： 为了处理非线性和建模误差，开发了一种残差强化学习方法。
  - 基础控制器： 一个深度前向模型（神经网络）结合逆运动学（IK）求解器生成标称线缆长度指令。
  - 残差策略： 一个强化学习代理（通过 Brax 框架中的近端策略优化算法进行训练）学习一个修正的“残差”动作，并将其叠加在基础指令之上。
  - 训练架构： 系统采用非对称 Actor-Critic 设置。Actor 仅观察现实世界中可获得的数据（传感器历史记录、目标姿态、基础指令），而 Critic（仅在仿真中使用）可以访问特权信息（真实的腱绳长度、速度和地面真值误差）。
  - 仿真到现实 (Sim-to-Real)： 应用了广泛的领域随机化（DR），包括线缆阻尼、摩擦力和惯性，以弥合仿真与现实之间的差距。

核心贡献

新型配置： 设计并实现了一种 4 段式、8 关节的四元组机械臂，该设计在实现与 12 关节设计相当的工作空间的同时，降低了硬件复杂度和成本。
数学建模： 建立了完整的四元组关节及多段机械臂运动学模型，包括用于 FABRIK 的等效向量模型的推导。
控制框架： 对针对该特定硬件的 FABRIK 控制和残差强化学习实现进行了全面描述。
实验验证： 在模拟环境（MuJoCo）和物理原型上对两种控制方法进行了对比评估。

结果

工作空间： 通过将关节弯曲角增加到 $70^\circ$ ，8 关节设计成功实现了与 12 关节基准模型相当的工作空间，验证了关节数量与角度范围之间的权衡。
FABRIK 性能： FABRIK 算法实现了 70.4% 的成功率，平均计算时间为 0.0221s。虽然速度较快，但与基于学习的方法相比，其鲁棒性表现有限。
RRL 性能： 文中指出，残差强化学习方法在位置和姿态精度上比 FABRIK 高出三个数量级。
- 注关于收敛性： 作者明确指出，尽管 RRL 架构功能正常且呈现单调学习，但在本研究设定的实验预算内（5000 万步训练），特定的策略并未完全收敛至部署就绪状态。训练后的残差策略相对于随机策略降低了 32% 的平均位置误差，但仍逊于从静止状态评估的独立基础控制器。作者将其归因于连续动作 PPO 在处理刚性线缆动力学时的高样本复杂度以及严苛的评估分布。
运动学偏差： 分析显示，虽然关节模型在低角度时表现理想，但在 $\pm 70^\circ$ 运行时会引入系统性的、可预测的运动学误差（偏离理想圆周路径的椭圆偏差），而 RRL 框架旨在补偿这些误差。

意义与主张
本文声称，所提出的 4 段式、8 关节配置提供了一种比以往设计更具工作空间效能且更具成本效益的解决方案。研究表明，残差强化学习是控制此类机械臂的一种可行且优越的方法，能够补偿困扰像 FABRIK 这样基于模型的控制器的非线性和制造偏差。

作者认为，其工作为设计此类机械臂的设计师提供了新的工具。他们强调，虽然机械设计和基础控制器结果是稳健的，但要充分发挥 RRL 组件的潜力，仍需要更多的计算资源和奖励函数调优，以达到在单独评估基础控制器时所展示的精度水平。这项工作作为一个概念验证，证明了残差训练基础设施运行正确，并且学习类方法对于补偿高精度线缆驱动系统中存在的现实世界机械非线性是必要的。

1. 新型“关节”（柔性铰链）

2. 问题：“地图”与“疆域”

3. 第一种解决方案： “FABRIK”算法

4. 第二种解决方案：“残差强化学习”（RRL）

5. 他们的发现

总结

类似论文