物理重构参数与控制器共优化：基于单折纸可重构操作臂

能够改变制造后物理配置的可重构机器人已展示出适应不同环境或任务的潜力。然而，确定如何为给定任务 optimally 调整可重构参数具有挑战性，尤其是当控制器取决于机器人的配置时。在本文中，我们以由多个串联连接的单折纸模块构成的tendon驱动可重构操作臂为例，解决了这一问题。在tendon驱动下，这些模块可实现不同的形状和运动，由关节刚度（重构参数）和纱线位移（控制输入）决定。我们利用近期在机器人系统设计与控制共优化方面的进展，将重构参数视为设计变量，并使用强化学习技术进行优化。我们首先基于最小势能方法建立前向模型，以预测纱线驱动下操作臂的形状。利用前向模型作为环境动力学，随后在目标到达任务中共同优化控制策略（纱线位移）和模块的关节刚度，以确保碰撞规避。在共同优化过程中，我们获得了优化后的关节刚度及其对应的最优控制策略，使操作臂能够完成固定重构参数（即固定关节刚度）下难以实现的任务。我们设想，这种共优化框架可扩展到其他可重构机器人系统，使其能够针对 diverse 任务和环境最优地适应其配置和行为。