神经算子用于腱驱动连续体机器人设计空间代理建模

连续体机器人能够在受限环境中实现灵巧的操作，但需要准确且高效的模型以实现实时操作和控制。传统的物理模型计算昂贵，可能因未建模效应而产生不准确，而当前的学习方法往往在训练的具体机器人上难以泛化。我们将连续体机器人的代理建模问题形式化为算子学习问题，将机器人设计参数和腱驱动输入映射到相应的配置。这种形式化使单个训练模型能够泛化到大类机器人设计。我们开发了四种新颖的神经算子架构——两种基于深度算子网络（DeepONets）和两种基于傅里叶神经算子（FNOs）——并在仿真数据上训练以预测机器人配置。所有架构在保持良好精度的同时，实现了对设计的快速且准确的泛化。我们的结果表明，算子学习为连续体机器人在设计空间内的机械行为提供了有效且可泛化的代理，使其在外科和工业应用中实现控制、规划和设计优化的快速建模。