基于混合运动学信息与学习方法的平面超冗余机器人形状控制
机器人学
2026-03-12 v1
摘要
超冗余机器人具有高灵活性，能够在受限和非结构化环境中进行操作。为扩展可达工作空间，我们构建了一个由多段柔性臂驱动的平面机器人。然而，柔性机构的柔顺性引入了不稳定性，使其对外部和内部不确定性敏感。为解决这些限制，我们提出了一种混合运动学信息与学习方法的形状控制方法，命名为SpatioCoupledNet。该神经网络采用层次化设计，显式捕获各段之间双向空间耦合，同时建模沿机器人身体的局部扰动。置信门控机制集成先验运动学知识，使控制器能够自适应地平衡基于模型和学习组件，以提高收敛性和精度。该框架在一个五段平面超冗余机器人上进行了验证，进行了三个代表性的形状配置测试。实验结果表明，所提出的方法在所有分析和纯神经控制器中都表现出一致的优势。在复杂场景下，它将稳态误差降低了最高可达75.5%，将收敛速度提高了最高可达20.5%。此外，门控分析揭示了一种状态相关的权威融合，在不稳定状态下趋向数据驱动预测，而在其余情况下依赖物理先验。最后，我们在一个动态任务中展示了稳健性能，该任务要求机器人维持固定的末端执行器位置，同时避免移动障碍物，实现了精确的尖端定位精度，平均误差为10.47 mm。
引用
@article{arxiv.2603.10402,
title = {Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach},
author = {Yuli Song and Wenbo Li and Wenci Xin and Zhiqiang Tang and Daniela Rus and Cecilia Laschi},
journal= {arXiv preprint arXiv:2603.10402},
year = {2026}
}