软操作机的自适应扩展雅可比控制器 AdapJ

软机器人运动的非线性和滞后性为控制带来了挑战。为了解决这些问题，已将雅可比控制器应用于以线性格式近似非线性行为。需要精确的控制器如神经网络能够处理延迟和非线性运动，但需要大量数据且适应性低。基于对这些控制器的新型分析，我们提出了一种用于软操作机的自适应扩展雅可比控制器AdapJ。该控制器保留雅可比控制器简洁的格式，但引入独立参数。类似于神经网络，其初始化和更新机制利用反向模型，而无需构建相应的正向模型。在实验中，我们首先比较了雅可比控制器、模型预测控制器、神经网络控制器、迭代反馈控制器和AdapJ的性能。进一步分析了AdapJ参数如何响应物理属性变化。随后进行了实际的世界实验，验证了AdapJ在更少的训练样本下优于神经网络控制器、模型预测控制器和迭代反馈控制器，并且对不同条件（包括不同控制频率、材料柔软度和外部扰动）具有稳健的适应性。未来的工作可能包括对控制器格式进行在线调整以及在更多情景下进行适应性验证。