💻 computer science

Graph-Based Design of Soft Grippers with Multi-Objective Quality-Diversity Optimisation

本文提出了一种基于图的设计空间，并结合多目标、多样性驱动的遗传优化框架，旨在生成能够在多种未见抓取场景中展现出涌现泛化能力和更高鲁棒性的软体抓取器。

原作者： Andre Farinha, Ge Shi, Harry Bowman, Brendan Tidd, David Howard, Josh Pinskier

发布于 2026-09-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Andre Farinha, Ge Shi, Harry Bowman, Brendan Tidd, David Howard, Josh Pinskier

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

想象这样一个世界：机器人可以拿起一颗成熟的草莓而不使其受损，然后立即切换到搬运一块沉重且形状不规则的岩石，而无需更换指令集或获得完美的相机视角。这就是机器人技术的“圣杯”：一种能够应对现实世界中混乱且不可预测的多样性的机器。几十年来，工程师们一直试图通过构建“思考更努力”的机器人来解决这个问题，即利用复杂的软件来计算每一次运动。但还有另一条路径，它依赖于机器人自身的物理形态。软体机器人由橡胶或硅胶等柔性材料制成，能够自然地弯曲和挤压以贴合物体。它们拥有一种“机械智能”，即机器人的形状本身就能协助完成工作。然而，设计这些软体手爪极其困难。因为它们可以以无数种方式弯曲，导致寻找一个能胜任所有任务的最佳形状，就像是在一个不断改变形状的草堆中寻找一根针。

澳大利亚 CSIRO 机器人研究团队采取了一种全新的方法来解决这一问题。他们并没有试图为特定任务设计单个完美的抓取器，而是创建了一个能够同时设计出一整族多样化软体抓取器的系统。他们将这些机器人的设计视为一个由连接点和线组成的拼图，这种方法允许他们在广阔的形状空间中进行探索，而不至于困在某一个单一的解决方案中。通过针对许多不同场景（抓取小型硬物、大型软物以及介于两者之间的各种物体）进行测试，他们发现了一些令人惊讶的现象：当他们迫使计算机寻找在所有这些不同情况下都表现良好的解决方案时，生成的机器人不仅在单项任务上表现出色，而且在处理从未见过的物体时也表现出了惊人的适应能力。

研究人员首先构建了一种用于描述这些软体机器人的数字语言。他们并非绘制一个实心形状，而是将机器人表示为一个由点和线构成的网络。点代表空间中的位置，线代表连接它们的材料。这个网络是灵活的；计算机可以增加或删除点，移动它们，或者改变连接线的粗细。这种方法非常强大，因为它允许计算机发明人类设计师可能永远无法想到的形状，创造出既复杂多变又足以让计算机快速测试的结构。为了确保这些数字设计符合现实物理规律，团队使用了先进的物理模拟技术，考虑了软性材料如何拉伸、扭转和回弹。他们甚至模拟了机器人接触物体时的过程，确保虚拟橡胶不会穿过虚拟苹果或岩石。

然而，真正的创新在于他们如何寻找最佳设计。通常，当计算机尝试解决问题时，它会专注于为特定任务寻找唯一的最佳答案。如果你要求计算机设计一个抓取网球的抓取器，它会创造出一个完美适配网球但对其他任何东西都毫无用处的形状。这被称为“过拟合”，是机器人领域的一个主要障碍。CSIRO 团队决定通过使用一种重视“多样性”的策略来对抗这一问题。他们要求计算机寻找的不仅是抓取效果好的设计，而且是彼此之间具有差异性的设计。他们设定了一场竞争，要求计算机同时应对四个目标：抓取小型硬物、大型硬物、小型软物和大型软物。计算机被告知要保持广泛的解决方案，确保没有任何一种类型的抓取器占据主导地位。

随着计算机运行数千次模拟，并在数百代演化中不断改进这些设计，一个清晰的模式出现了。那些被迫保持多样性的设计并没有变成一堆平庸方案的混乱混合体。相反，它们展现出了单任务设计所缺乏的鲁棒性（稳健性）。当研究人员将这些多样化设计应用于训练阶段从未展示过的物体时，结果令人瞩目。那些为单一任务设计的抓取器在面对新形状时表现得一败涂地；但那些针对多样性进行优化的抓取器却能轻松应对这些新挑战。它们可以适应凹陷的柱状结构或看起来与训练物体完全不同的珊瑚状结构。事实证明，通过教导计算机具备“思维的灵活性”，物理层面的机器人也学会了“身体的灵活性”。

为了证明这不仅仅是计算机产生的虚假现象，团队用真实的橡胶制造了两个优化后的抓取器。他们将抓取器安装在电机上，并通过拉动各种物体（包括球体、针状物和精致的类珊瑚结构）来进行测试。物理机器人的表现几乎与模拟实验完全一致。它们利用自身的柔软度来贴合物体的形状，在抓取过程中产生足够的力来固定物体，同时又不会将其压碎。这证实了数字设计捕捉到了真实物理原则中关于软性材料如何与世界互动的规律。实验表明，机器人的“机械智能”承担了主要的任务，使其能够在无需重新编程的情况下，将其技能泛化到新的情境中。

这项研究表明，构建真正具有适应性的机器人的关键，可能不在于让它们变得更聪明，而在于让其设计过程更加多样化。通过拒绝满足于单一的完美方案，转而拥抱广泛的可能性，工程师可以创造出对未知环境具有天然鲁棒性的机器。这种方法为需要在不可预测环境中工作的机器人（如在农田中采摘水果或在实验室中提供辅助）提供了一条充满希望的路径。它表明，有时，应对未知的最好方式，就是通过练习各种各样的可能性。

技术摘要：基于图结构的具有多目标质量-多样性优化的软体夹爪设计

问题陈述

在从农业采摘到实验室自动化的广泛应用中，对多样化物体的有效操控至关重要。虽然软体机器人因其固有的顺应性而非常适合应对这一挑战，但设计能够泛化至多种任务的夹爪仍然困难。连续体力学的设计空间极其庞大，传统的优化方法往往会导致针对特定场景的过拟合。此外，计算设计中存在一个根本性的权衡：限制设计空间可以确保与高保真模拟的兼容性，但会限制表达能力；而探索更丰富的空间并使用简化的物理模型，则会忽略决定软体夹爪性能的非线性现象（大变形、材料非线性、不稳定性以及接触相互作用）。此外，传统的单目标优化通常会产生狭隘且脆弱的解，这些解倾向于利用特定条件而非覆盖多样化的行为空间。

方法论

1. 基于图的设计表示

作者提出了一种用于平面软体结构和顺应机构的基于图的设计空间，该空间在表达能力与有限元模拟的可处理性之间取得了平衡。该表示由三层组成：

基因型 (Genotype)： 一个信息密集的内部表示，由 $n$ 个节点组成，每个节点 $i$ 由笛卡尔坐标 $x_i$ 、距离乘数 $w_{d,i}$ 和边缘宽度乘数 $w_{th,i}$ 定义。基因型大小为 $4n$ ，取值范围在 $[0,1]$ 之间。
图表型 (Graph Phenotype)： 一个无向空间图 $G=(V,E)$ ，其中边并非显式编码，而是通过推导得出。当加权距离 $W_{ij} < 1$ 时，认为存在一条活跃边 $(i,j)$ ，其中 $W_{ij} = (\|x_i - x_j\|/L + w_{ij})/d_{max}$ 。这使得基因型可以比直接的邻接编码更密集，同时能覆盖足够丰富的图拓扑子集。
拓扑表型 (Topology Phenotype)： 由活跃图边的并集构成的平面几何对象，填充有厚度为 $w_{th} \cdot th_{max}$ 的材料。

2. 多目标质量-多样性优化

为了在广阔且具有欺骗性的设计空间中进行导航，作者采用了帕累托支配新颖性搜索 (Pareto Dominated Novelty Search, PDNS)，这是对支配新颖性搜索 (DNS) 算法的一种扩展。

算法： 该方法维护一个包含 $N$ 个设计的种群。每个设计不是由单一适应度分数评估，而是由一个由 $m$ 个竞争目标组成的向量和一个行为描述符 $d_i \in \mathbb{R}^D$ 评估。
竞争适应度： 计算标量竞争适应度 $\tilde{f}_i$ 。对于解 $i$ ，首先识别出支配它的解集 $D_i$ 。竞争适应度是解在描述符空间中到 $k$ 个最近支配解的平均距离。处于帕累托前沿的解（即 $D_i = \emptyset$ ）获得无限适应度，以确保其被保留。
行为描述符： 一组模块化的特征用于捕捉几何、拓扑和参数方面（例如：质心、扩散度、边缘密度、聚类指标、体积占比），旨在无需明确任务规范的情况下引导多样性。
遗传算子： 搜索过程使用锦标赛选择、基于节点的两点交叉以及多样化的变异（包括位置/宽度的参数噪声，以及结构性变异如增加/删除/分裂节点）。

3. 基于物理的评估

适应度评估利用了高保真有限元建模 (FEM)，包含：

材料模型： 使用有限应变的 Neo-Hookean 超弹性模型来捕捉非线性材料响应。
接触： 使用增量势接触 (IPC) 方法以保证无交叠配置。
求解器： 使用隐式 Newmark 时间离散化和带有 SparseLU 分解的 Newton-Raphson 迭代。
指标： 直接优化任务相关的指标，包括接触力 ( $f_c$ )、接触面积 ( $A_c$ )、物体应变能 ( $U$ ) 和末端执行器位移 ( $u$ )。

实验设置与结果

基准验证

该图表示法首先在标准的结构优化基准测试（软体夹爪、反转器和 MBB 梁问题）上进行了验证。结果表明，基于图的方法成功恢复了接近传统方法已知最优拓扑的解，验证了其在顺应性问题和刚度问题上的表达能力。

多目标软体夹爪优化

该框架被应用于涉及四个不同场景的平面抓取任务：

捏取-刚性 (Pinch-Rigid)： 小型刚性物体（最大化拉力）。
握持-刚性 (Power-Rigid)： 大型刚性物体（最大化接触面积）。
握持-软体 (Power-Soft)： 大型软体物体（平衡应变能与拉力）。
捏取-软体 (Pinch-Soft)： 小型软体物体（平衡应变能与拉力）。

主要发现：

涌现的泛化能力： 在多样化抓取案例（4-目标运行）下的优化产生了一个包含 89 个非支配解的帕累托前沿。虽然单目标优化产生的“专家型”设计在特定训练场景中表现卓越，但在其他场景下表现不佳（过拟合），但多目标方法产生的设计在所有场景中都具有鲁棒的性能。
形态策略： 精英个体展现出截然不同的策略（例如：针对大型物体的长力臂，以及针对软体物体的钩状结构），然而，多样化的帕雷托前沿中的设计能够有效地迁移到未见过的条件下。
对扰动的鲁棒性： 当使用位置扰动（ $\pm 10$ mm）和新型物体几何形状（凹柱、珊瑚状结构）进行测试时，来自 4-目标运行（特别是帕累托前沿中的随机子集）的设计保持了与训练场景相当的性能。相比之下，单目标专家型设计表现出显著的性能下降。
物理验证： 使用 3D 打印夹爪（Formlabs Elastic 50A）进行的有限实验验证确认，优化的设计利用了模拟所预测的变形和接触机制，在抓取趋势和拉力大小方面与模拟结果具有定性一致性。

意义与主张

本文声称，驱动多样性的优化为开发通用型软体夹爪提供了一条原则性的路径。通过将具有表达能力的基于图的设计空间与高保真物理学及多目标质量-多样性算法相结合，作者证明了：

泛化是涌现的： 对足够多样化的抓取案例进行优化，可以产生能够泛化至未见物体和接触条件的解，并表现出比任务特定解更高的鲁棒性。
缓解过拟合： 多目标多样性驱动优化减轻了单目标贪婪优化中固有的脆弱性和过拟合问题。
机械智能： 该方法利用机械智能（顺应性和适应性）来简化控制并减少对任务特定学习的依赖，这与软体机器人的适应性本质相契合。

作者总结道，该框架允许鲁棒的机械策略从有限的目标集中涌现，而不是需要针对特定场景进行调优，从而为更通用的软体操作提供了基础。