面向软机器人的滞后性感知神经网络建模与全身强化学习控制
机器人学
2025-07-10 v2 机器学习
摘要
软机器人具有固有的顺应性和安全性，这使其特别适用于需要与人类直接物理交互的应用，如手术程序。然而，由于软材料特性，其非线性和滞后行为为准确建模和控制带来了重大挑战。本研究设计了一个用于手术应用的软机器人系统，提出一种能够准确捕捉和预测软机器人整体运动（包括滞后行为）的全身滞后感知神经网络模型。基于高精度动力学模型，我们构建了一个高并行的软机器人控制仿真环境，并应用基于策略的强化学习算法高效训练全身运动控制策略。基于训练得到的控制策略，我们开发了一个用于手术应用的软机器人系统，并通过实体环境中的基于幽灵体的激光消焊实验进行验证。结果表明，滞后感知建模相对于传统建模方法可将均方误差（MSE）降低 84.95%。部署的控制算法在实际软机器人上实现的轨迹跟踪误差范围为 0.126 到 0.250 毫米，凸显了其在实际条件下的精确性。该方法在基于幽灵体的手术实验中表现出色，展示了其在复杂场景（包括未来临床应用）中的潜力。
引用
@article{arxiv.2504.13582,
title = {Hysteresis-Aware Neural Network Modeling and Whole-Body Reinforcement Learning Control of Soft Robots},
author = {Zongyuan Chen and Yan Xia and Jiayuan Liu and Jijia Liu and Wenhao Tang and Jiayu Chen and Feng Gao and Longfei Ma and Hongen Liao and Yu Wang and Chao Yu and Boyu Zhang and Fei Xing},
journal= {arXiv preprint arXiv:2504.13582},
year = {2025}
}
备注
Updated author affiliation