主运动学系统的自适应步态建模与优化

机器人对未预期运行条件的适应对于在复杂真实环境中实现持久性与鲁棒性至关重要。对于广泛的尖端机器人系统，如微纳米机器人、软体机器人、医疗机器人和生物混合机器人，由于制造不精确、化学-机械力以及尚不明确的接触力学等诸多因素带来的复杂性，无法先验预知运行环境。受数据驱动建模、几何力学（或规范场论）和自适应控制的启发，我们采用自适应系统辨识框架，并证明其在提升主运动型运动器（受Rayleigh耗散或零动量守恒支配者）性能方面的有效性。我们展示了该自适应模型在行为优化框架内高效适应不同地形与迭代修改行为的能力。这既提供了改进基础行为的能力，也提供了精确运动跟踪的能力。值得注意的是，我们能够使用每连杆约10个周期来优化Purcell游泳者的步态，对于九连杆Purcell游泳者，这比最先进水平在优化速度上提升了一个数量级。除了单纯的计算加速，这一十倍提升可使该方法成功部署于原位行为细化、损伤恢复和地形适应，尤其在仿真对真实世界指导不佳的领域。