Orientation Control of Soft Robots via Adiabatic Spectral Submanifolds
本文提出了一种用于软体机器人的增强型数据驱动模型预测控制方案，该方案利用绝热谱流形（adiabatic spectral submanifolds）来精确捕捉无限维非线性动力学，与现有基准相比，实现了位置与姿态跟踪误差超过 60% 的降低。
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
软体机器人是工程界的“温柔巨人”，它们由能够弯曲、拉伸和挤压的材料制成，而不是像传统的金属机器那样折断或磨损。由于它们由具有顺应性的、可连续变形的物质构成，因此非常适合在人类双手可能过于笨拙或金属夹具过于危险的脆弱环境中导航。可以将它们想象成机器版的章鱼或大象的鼻子，能够滑入狭小的空间并与脆弱物体进行安全交互。然而，正是这种极高的灵活性使得控制它们变得异常困难。与运动轨迹可预测且呈直线运动的刚性机械臂不同，软体机器人拥有无限种可以扭动和变形的方式。要精确地引导它，计算机需要一份完美的内部物理特性图谱，但这些图谱往往过于复杂，无法进行实时计算，而且支配其材料行为的确切定律也经常是未知的。
多年来，工程师们一直试图通过两种方式来解决这个问题：要么将机器人的物理特性简化为粗略的近似值，要么通过试错法教计算机去猜测正确的动作。第一种方法往往会失败，因为它忽略了软体材料表现出的微妙的非线性特征；而第二种方法则需要海量的数据和强大的模拟器，但这些模拟器并不总能很好地转化到现实世界中。挑战在于寻找一个中间地带：即如何创建一种简单、快速且准确的软体机器人运动模型，让计算机能够在无需了解机器人每一个微观结构细节的情况下，做出瞬时的决策。
现在，一支研究团队开发出一种新方法来弥补这一差距，使他们能够以前所未有的精度控制软体机械臂的位置和朝向。他们的方法依赖于一个被称为“绝热谱流形”（adiabatic spectral submanifold）的数学概念，这可以被理解为一个隐藏的、低维度的“骨架”，它捕捉了机器人最重要的运动，同时忽略了混乱的噪声。在物理世界中，软体机器人具有高度的耗散性，这意味着它们能量损失很快，并在受到扰动后能迅速稳定下来。研究人员意识到，虽然机器人的内部振动发生得很快，但我们希望它执行的任务（例如将工具移动到特定位置）发生的速度要慢得多。通过分离这两个速度，他们可以识别出一个机器人运动自然遵循的简化表面，从而有效地将软体臂无限的复杂性简化为一组可控的规则。
为了测试这个想法，该团队构建了一个名为 SoPrA 的高保真软体机械臂模拟系统，该手臂长 28 厘米，由六个内部气室驱动。他们还在底座上增加了一个电机来旋转整个机械臂，这使得他们不仅可以控制机械臂末端的位置，还可以控制它的指向方向。这种朝向控制对于诸如插入工具或检查表面等任务至关重要，然而，这在以往的数据驱动方法中一直难以实现。研究人员向模拟系统输入了数千次随机运动以生成数据集，然后使用他们的新算法直接从数据中学习机器人的底层“骨架”，而无需知道材料的具体硬度或重量。
结果是一种全新的控制系统，它能够以惊人的准确度预测机器人的未来路径。与那些假设机器人在进行微调时保持固定、静态位置的旧方法不同，这个新系统允许机器人在沿着其自然路径自由移动的同时，还能同步对微小误差进行调整。在测试中，与现有的数据驱动技术相比，这种新控制器将位置和朝向的追踪误差降低了 60% 以上。它的表现显著优于线性模型（后者无法捕捉复杂的曲线），甚至优于他们之前依赖静态近似值的版本。该系统运行速度极快，在标准笔记本电脑上计算必要的调整所需时间不到 5 毫秒。
或许最重要的一点是，研究人员发现，即使机器人的运动速度超过了理论严格预测的速度，该方法依然有效。这表明该方法具有足够的鲁棒性，即使在并非完全理想的条件下也能投入实际应用。通过将对机器人自然动力学的深刻理解与灵活的数据驱动学习过程相结合，该团队创造了一种工具，最终可能让软体机器人在现实世界中执行精细且复杂的任务——从外科手术到搜救行动——并展现出以往难以企及的优雅与精准。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。