面向抗性气动人工肌肉动力学学习的物理嵌入型神经常微分方程
机器人学
2026-03-02 v1 系统与控制
系统与控制
摘要
气动人工肌肉（PAM）实现柔软可穿戴、助能及交互式机器人中的顺应式驱动。当以抗性方式排列时，PAM可通过共收缩提供可变阻尼，但其呈现出耦合、非线性和滞后特性，挑战建模与控制。本文提出一种混合神经常微分方程（Neural ODE）框架，将物理结构嵌入抗性PAM动力学的学习模型中。该公式结合参数化关节机械结构和气动状态动力学，以及捕捉抗性耦合和速率相关滞行为的神经网络力量分量。前向模型在225种共收缩条件下预测关节运动和腔体压力，平均R为0.88。基于所学动力学推导的逆向公式，可离线计算实现所需运动和刚度轮廓的压力命令，并在执行期间闭环跟踪。实验验证表明，该方法在126-176 N/mm范围内实现可靠刚度控制，跨越执行速度时表现出一致的阻抗行为，而传统静态模型则在较高速度下刚度一致性下降。
引用
@article{arxiv.2602.23670,
title = {Physics-Embedded Neural ODEs for Learning Antagonistic Pneumatic Artificial Muscle Dynamics},
author = {Xinyao Wang and Jonathan Realmuto},
journal= {arXiv preprint arXiv:2602.23670},
year = {2026}
}