[论文解读] Adaptive and Resilient Soft Tensegrity Robots

John Rieffel, Jean-Baptiste Mouret|arXiv (Cornell University)|Feb 10, 2017

Structural Analysis and Optimization参考文献 37被引用 5

一句话总结

本文提出一种由振动马达驱动的柔性张成结构机器人，利用数据高效的贝叶斯优化自主发现高效运动步态。该机器人在物理损伤下表现出高度韧性，并通过学习快速适应新步态，仅需极少的物理试验即可实现有效运动。

ABSTRACT

Living organisms intertwine soft (e.g., muscle) and hard (e.g., bones) materials, giving them an intrinsic flexibility and resiliency often lacking in conventional rigid robots. The emerging field of soft robotics seeks to harness these same properties in order to create resilient machines. The nature of soft materials, however, presents considerable challenges to aspects of design, construction, and control -- and up until now, the vast majority of gaits for soft robots have been hand-designed through empirical trial-and-error. This manuscript describes an easy-to-assemble tensegrity-based soft robot capable of highly dynamic locomotive gaits and demonstrating structural and behavioral resilience in the face of physical damage. Enabling this is the use of a machine learning algorithm able to discover effective gaits with a minimal number of physical trials. These results lend further credence to soft-robotic approaches that seek to harness the interaction of complex material dynamics in order to generate a wealth of dynamical behaviors.

研究动机与目标

• 开发一种柔性、抗损能力强的机器人，可在物理损伤后自主发现并适应新的运动步态。
• 解决传统运动学方法在控制高维、柔顺柔性机器人时面临的挑战。
• 减少对手动调校步态的依赖，通过机器学习在极少物理实验条件下发现有效的运动策略。
• 证明张成结构结合振动驱动可在实现结构韧性的同时具备动态适应能力。

提出的方法

• 该机器人是一种张成结构，由碳纤维杆通过预张力弹簧连接而成，通过安装在特定杆上的三个振动马达驱动。
• 采用具有高斯过程先验的贝叶斯优化算法，搜索能最大化向前位移的最优马达频率组合。
• 采集函数使用置信上界（UCB）策略，在未测试的频率组合探索与高性能组合利用之间取得平衡。
• 先验由九组手工挑选的频率三元组（例如，±100%、0%）及其性能评分定义，引导算法向搜索空间中具有潜力的区域聚焦。
• 核函数采用指数核函数，β = 0.15，用于建模不同频率输入组合之间的相似性。
• 该算法基于预测性能与不确定性迭代选择新的频率组合，并在每次物理试验后更新高斯过程模型。

实验结果

研究问题

• RQ1 柔性张成结构机器人能否在极少物理试验下，利用机器学习自主发现有效的运动步态？
• RQ2 机器人在遭受物理损伤后性能如何退化？是否可通过自适应学习实现恢复？
• RQ3 基于全速马达组合的手工构建先验，在步态发现中能在多大程度上提升样本效率？
• RQ4 在具有高维非线性动力学的张成结构中，基于振动的驱动能否产生鲁棒且动态的运动？

主要发现

• 经过10轮学习迭代，机器人每次试验的中位向前位移达到12.5厘米，第5百分位与第95百分位分别为8.0厘米和18.0厘米。
• 在物理损伤后（例如一个马达被移除或一根杆断裂），机器人在少于15次额外试验内重新学习到有效步态，展现出强大的韧性。
• 使用手工构建的先验显著提升了样本效率，算法收敛至高性能步态的速度远超随机搜索。
• 贝叶斯优化框架成功发现了非直观的步态模式，例如非对称马达频率，其性能优于对称或手工调校的配置。
• 机器人在形变后仍能恢复原有形状，保持结构完整性，证实了张成结构设计的内在韧性。
• 统计分析显示，基于先验引导与随机搜索策略之间存在显著性能差异（p ≤ 0.01），证实了有指导探索的优势。