✨ 要点🔬 技术摘要
想象一下，你正试图制造一个像象鼻或章鱼触角一样运动的机器人手臂。这些“连续体机器人”（continuum robots）之所以如此神奇，是因为它们柔软、可弯曲且具有安全性。但直到现在，制造这样一个机器人就像是用锤子去组装瑞士手表一样困难：它既昂贵，零件又难以制造，而且如果你造出了一个，它看起来可能还会与你造的下一个略有不同。这使得科学家们很难分享他们的研究成果或教机器人学习新技能。
这篇论文介绍了一个名为 CoLI 的新平台，旨在解决这些问题。你可以把它想象成一个“用于制作弯曲机器人的乐高套装”，任何人都可以打印并使用它。
以下是它的工作原理，分为几个简单的部分：
1. “一体化”机器人（单体 3D 打印）
通常，制造一个弯曲的机器人需要将坚硬的环和柔软的弹簧粘合在一起。如果你把胶水弄坏了，机器人就会失败。
CoLI 的解决方案： 团队使用了一种特殊的 3D 打印机，它可以同时打印两种不同的材料：硬塑料（用于结构）和软橡胶（用于弯曲）。类比： 与其像盖房子那样一块砖一块砖地搭建并祈祷灰浆能粘住，不如想象一下将整个房子作为一个已经塑造成正确柔韧性的单一、实心的黏土整体进行打印。结果： 机器人从打印机出来时就是一个单一的、连续的整体。你只需要在其中穿入一些绳子（腱索）并连接电机即可。这使得它成本低廉、易于精确复制且具有高度的可重复性。
2. “镜像式”控制器（同构遥操作）
控制一个弯曲的机器人通常是一场噩梦。因为机器人可以在许多方向上弯曲，所以告诉它“把手移向杯子”需要复杂的数学计算来确定如何弯曲每一个关节。如果数学计算错了，机器人就会撞毁。
CoLI 的解决方案： 他们制造了一个“主控”机器人（控制器），其外观与执行任务的“从动”机器人完全一致。类比： 想象你戴着一双魔法手套。当你移动左手时，机器人的左手也会以完全相同的方式移动。当你晃动手指时，机器人的关节也会随之晃动。你不需要知道机器人是如何弯曲的；你只需要移动自己的身体，机器人就会完美地模仿你。结果： 这消除了对复杂数学运算的需求。它让控制机器人变得像移动自己的手臂一样直观，并且能够精准捕捉机器人的运动方式，以便后续学习。
3. “机器人学生”（模仿学习）
一旦机器人可以被轻松控制，团队就想教它自主完成任务。
CoLI 的解决方案： 他们利用这种“魔法手套”设置来记录人类执行任务的过程（例如拿起重量或拨动开关）。然后，他们将这些数据输入到一个计算机程序（AI）中，让它学习模仿这些动作。类比： 这就像一个舞蹈生观察老师。学生记录老师的动作，练习这些动作，并最终尝试在没有老师在场的情况下跳出同样的舞步。结果： 机器人成功学会了执行任务，如将物体放在支架上、拨动电灯开关以及将物体推过平面，而这一切都是通过“观察”人类操作员完成的。
他们证明了什么？
团队测试了他们的创造物，以确保它不仅仅是一个酷炫的想法，而是一个真正有效的工具：
强度： 它能举起约 1 公斤（2.2 磅）的重量，这足以应对许多小型任务。触及范围： 它可以弯曲并进入一个直径约为大型沙滩球大小（430 毫米）的空间。精度： 当人类移动控制器时，机器人会以极高的精度跟随（误差仅约为一个手指的宽度）。耐用性： 他们运行该机器人超过 15 小时，它都没有损坏或失去形状。
为什么这很重要？
论文指出，通过使机器人易于打印且易于控制，他们消除了阻碍科学家研究这些机器的最大障碍。这就像是为每位研究人员提供了一辆标准的、可靠的“测试赛车”，这样他们就可以在不必担心赛车散架的情况下，共同比较各自的新引擎设计（算法）。
简而言之： CoLI 是一个可重复打印的、弯曲的机器人，你可以通过移动一个与之匹配的“幽灵版本”来控制它，从而让机器人通过观察人类的行为来学习新的技能。
技术摘要：CoLI —— 一个可复现的连续体机器人学习平台
问题陈述
连续体机器人具有高自由度、柔性结构和固有的安全性，使其成为微创手术和人机交互等非结构化及受限环境中的理想选择。然而，其在研究和实际基于学习的应用中的采用受到了三个主要障碍的阻碍：
制造复杂性： 传统设计依赖于由定制制造的刚性和柔性组件组成的复杂组装，导致成本高、可复现性低以及显著的尺寸误差。控制挑战： 连续变形的形态和驱动冗余使得精确的运动学建模变得困难。传统的任务空间控制往往存在工作空间失配问题，且无法有效利用机器人的冗余自由度。缺乏面向学习的基础设施： 缺乏能够支持可扩展数据采集和模仿学习的易于获取的硬件平台，因为现有的开源解决方案通常缺乏针对连续体机器人的标准化管线。
方法论
作者提出了 CoLI ，一种新型开源连续体机器人系统，旨在降低硬件制造和控制的门槛。该方法涵盖了四个集成的组件：
1. 单体多材料 3D 打印
该机器人通过多材料熔融沉积建模（FDM）被制造为一个单一的、连续的柔性结构。
结构： 手臂由使用 TPU 95A 打印的柔性骨架和 16 个使用 PLA 打印的刚性间隔盘组成。这些组件构成了 15 个串联关节，以实现连续弯曲。设计： 骨架具有平面椭圆弧设计，以提供顺应性和弹性回复力，而切向段则确保了与间隔盘的稳固连接。工艺： 使用 Bambu Lab H2D 打印机，整个主体在一次 29 小时的运行中完成打印（层高 0.2 mm）。后处理仅需 15 分钟即可去除支撑材料，消除了手动组装骨架和间隔盘的过程。定制化： 该设计允许快速迭代关节数量、尺寸和形态（例如细长型或塔式变体），而无需重新配置工具。
2. 驱动机制
机器人采用具有独立驱动的腱驱动架构。
配置： 15 个关节分为三组，每组由通过间隔盘内导向孔布线的三个腱驱动控制。执行器： 腱由布置在底座的 Dynamixel XC430-T240BB-T240 电机驱动。这种设置允许通过电机旋转进行直接张力调节，消除了手动调张的需要，并实现了负载分担。
3. 同构遥操作
为了在不依赖复杂运动学模型的情况下实现直观控制和数据采集，系统使用了主从遥操作接口。
同构性： “主端”机械臂在机械结构上与“从端”机器人完全相同，但使用了减速比较低的电机（Dynamixel XL330-M288-T），以获得更好的背驱动性能。映射： 控制通过直接的关节级映射实现，即将主端电机的编码器位置映射到从端的期望位置。这消除了对逆运动学的需求，提供了一种无奇异点、与执行器对齐的控制方案。校准： 两台机器人均通过圆柱套筒和 PWM 驱动的腱预紧状态进行零参考态校准。
4. 模仿学习管线
系统集成到 LeRobot 框架中以支持自主控制。
数据采集： 系统以 30 Hz 的频率记录电机位置（相对于零偏移）和多视角相机数据（末端执行器和外部视角）。策略训练： 使用带有 Transformer 的动作分块（ACT）模型对收集到的演示数据进行训练。该策略使用 ResNet-18 作为骨干网络，并使用 4 层 Transformer 编码器，根据本体感受和视觉输入来预测机器人动作。
核心贡献
本文概述了四项主要贡献：
制造范式： 一种单体多材料 3D 打印方法，实现了连续体机器人的单次运行、可复现制造，显著降低了组装复杂度。同构遥操作： 一种控制框架，建立了操作者输入与机器人执行器之间的直接对应关系，促进了直观的全身控制和高质量的演示数据采集。集成平台： 一个通过 LeRobot 框架将硬件与具身智能管线连接起来的、面向学习的连续体机器人系统。系统验证： 对机器人的结构、遥操作精度和自主操控能力进行了全面的表征，建立了可复现的社区基准。
实验结果
通过硬件表征和操控任务对平台进行了评估：
机械特性：
力-变形关系： 骨架表现出近似线性的力-变形关系，斜率约为 3.2 N/mm。工作空间： 可达工作空间约为 430 mm 直径的球体。负载能力： 机器人可以可靠地支持高达 1 kg 的动态负载并保持可控性。当负载达到 1.2 kg 时，性能明显下降。耐用性： 系统运行超过 15 小时，未出现结构损坏或性能退化。
遥操作性能：
精度： 在 127 种配置下，从端机器人的平均位置跟踪误差为 8.2 mm （臂长的 3.3%）。延迟： 在 30 Hz 控制频率下，系统表现出 158 ms 的调节时间延迟，证实了其适用于高保真演示采集。灵巧性： 操作者成功完成了复杂任务，包括抓取并放置物体，以及从直径 90 mm 的狭窄管中取出物品。
模仿学习：
对三个自主任务进行了评估：物体放置、开关切换和平面推行。
成功率： 机器人实现物体放置 100% (12/12) 的成功率，开关切换 83% (10/12) 以及平面推行 83% (10/12) 的成功率。策略在挑战性场景中展现出了鲁棒的错误恢复和重试行为。
重要性与主张
本文声称 CoLI 通过提供一个可复现、面向学习的平台 ，显著降低了进入连续体机器人研究的门槛。通过统一单体制造、同构遥操作和标准化的学习管线，该系统解决了此前限制该领域数据驱动操控研究的易获取硬件和直观控制接口匮乏的问题。
作者将这项工作定位为而非最终解决方案，而是加速算法开发和系统基准测试的基础性步骤。他们承认了局限性，包括 3D 打印在手臂长度上的构建体积限制以及伺服电机的高昂成本，并提出了专注于模块化设计、低成本驱动和更丰富感知模态的未来工作方向。最终目标是通过标准化的开源资源，促进社区驱动的连续体机器人学习进展。
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。