基于传感器空间的学习型冗余软体机械臂鲁棒运动学控制
机器人学
2025-07-24 v1
摘要
冗余软体机械臂的内在柔顺性和高自由度 (DoF) 促进了安全交互和灵活的任务执行。然而，有效的运动学控制仍然极具挑战性，因为它必须处理由未知外部负载引起的变形，并避免因不当的零空间调节导致的执行器饱和——特别是在受限环境中。在本文中，我们提出了一种基于传感器空间的模仿学习运动学控制 (SS-ILKC) 框架，以在执行器饱和和严格的环境约束下实现鲁棒的运动学控制。我们采用双重学习策略：基于强化学习原理的多目标传感器空间控制框架在仿真中训练，以为开阔空间开发鲁棒的控制策略；而生成对抗模仿学习方法则使得从稀疏的专家演示中学习有效策略成为可能，以应对受限空间。为实现零样本的真实世界部署，提出了一种预处理的 sim-to-real 迁移机制，以缓解仿真到现实的差距并准确表征执行器饱和极限。实验结果表明，我们的方法能够有效控制气动驱动的软体机械臂，在未知负载条件下的受限环境中实现精确的路径跟随和物体操作。
引用
@article{arxiv.2507.16842,
title = {Sensor-Space Based Robust Kinematic Control of Redundant Soft Manipulator by Learning},
author = {Yinan Meng and Kun Qian and Jiong Yang and Renbo Su and Zhenhong Li and Charlie C. L. Wang},
journal= {arXiv preprint arXiv:2507.16842},
year = {2025}
}