通过观察软体机器人形状演化学习其低维应变模型及其在基于模型控制中的应用

获取连续体软体机器人的动力学模型是软体机器人分析与控制的核心，研究人员在提出数据驱动和第一性原理解决方案方面投入了大量精力。然而，这两种途径都显示出其局限性：前者缺乏结构且在训练数据之外表现不佳，而后者则需要显著的简化和大量的专家知识才能在实践中使用。本文介绍了一种用于学习低维、基于物理的模型的简化方法，这些模型既精确又易于解释。我们从一个算法开始，该算法利用图像数据（即形状演化）来确定描述软体机器人运动所需的最少节段。随后，我们应用动态回归和应变稀疏化算法来识别相关应变并定义模型的动力学。我们通过各种平面软体机械臂的仿真验证了我们的方法，将其性能与其他学习策略进行了比较，结果表明我们的模型计算效率高，并且在训练分布外的输入上准确度提高了25倍。我们证明，得益于该方法生成物理兼容模型的能力，学习到的模型可以直接与基于模型的控制策略相结合。