基于欧拉螺旋启发曲率的软执行器学习建模
机器人学
2025-04-29 v1 系统与控制
系统与控制
摘要
软机器人因其固有的顺应性和连续体结构，在受到重力和有效载荷等显著外部负载时，呈现出独特的建模挑战。本研究引入一种创新的数据驱动建模框架，利用欧拉螺旋启发的形状表示来准确描述软连续体执行器的复杂形状。基于此表示，我们开发了基于神经网络的前向模型和逆向模型，以有效捕捉纤维加固气动弯曲执行器的非线性行为。我们的前向模型能够准确预测给定压力和有效载荷输入下的执行器变形，而逆向模型能够可靠地从观察到的执行器形状和已知的压力输入中估计有效载荷。综合的实验验证表明，我们的方法具有有效性和准确性。值得注意的是，增强型欧拉螺旋基的前向模型在执行器长度的三分之一、六分之一和尖端位置处的平均位置预测误差分别为3.38%、2.19%和1.93%。此外，逆向模型在测试范围内实现对有效载荷估计的精度，平均误差可低至0.72%。这些结果凸显了该方法在显著提升软机器人系统建模框架的准确性和预测能力方面的潜力。
引用
@article{arxiv.2504.18692,
title = {Learning-Based Modeling of Soft Actuators Using Euler Spiral-Inspired Curvature},
author = {Yu Mei and Shangyuan Yuan and Xinda Qi and Preston Fairchild and Xiaobo Tan},
journal= {arXiv preprint arXiv:2504.18692},
year = {2025}
}