[论文解读] Data-driven Methods Applied to Soft Robot Modeling and Control: A Review

Zixi Chen, Federico Renda+7 more|arXiv (Cornell University)|May 20, 2023

Cardiovascular Health and Disease PreventionMedicine被引用 3

一句话总结

本综述整合了软体机器人数据驱动建模与控制方法，将其分类为五类——雅可比矩阵法、解析法、统计法、神经网络法和强化学习法，比较了各类方法在数据需求、控制性能及任务适用性方面的差异。研究指出，由于模型复杂度、计算速度与应对机器人老化及个体差异适应能力之间的权衡，混合离线-在线学习方法有望在未来主导软体机器人控制。

ABSTRACT

Soft robots show compliance and have infinite degrees of freedom. Thanks to these properties, such robots can be leveraged for surgery, rehabilitation, biomimetics, unstructured environment exploring, and industrial grippers. In this case, they attract scholars from a variety of areas. However, nonlinearity and hysteresis effects also bring a burden to robot modeling. Moreover, following their flexibility and adaptation, soft robot control is more challenging than rigid robot control. In order to model and control soft robots, a large number of data-driven methods are utilized in pairs or separately. This review first briefly introduces two foundations for data-driven approaches, which are physical models and the Jacobian matrix, then summarizes three kinds of data-driven approaches, which are statistical method, neural network, and reinforcement learning. This review compares the modeling and controller features, e.g., model dynamics, data requirement, and target task, within and among these categories. Finally, we summarize the features of each method. A discussion about the advantages and limitations of the existing modeling and control approaches is presented, and we forecast the future of data-driven approaches in soft robots. A website (https://sites.google.com/view/23zcb) is built for this review and will be updated frequently.

研究动机与目标

• 系统性地对软体机器人建模与控制中使用的数据驱动模型进行分类与比较。
• 识别五类主要数据模型类别（雅可比矩阵法、解析法、统计法、神经网络法、强化学习法）的优势、局限性及权衡关系。
• 解决软体机器人中模型可迁移性、机器人老化及数据可靠性等挑战。
• 提出未来发展方向，即优先采用离线训练与在线学习相结合的控制器，以提升适应性与性能。
• 强调在医疗软体机器人中应用深度学习与强化学习时存在的安全性与可解释性差距。

提出的方法

• 基于数学与计算基础，将现有软体机器人建模与控制方法分类为五类数据模型。
• 采用数据需求、控制频率、动态能力及在线更新支持等标准，分析各类模型类型。
• 调研2019年以后的最新文献，绘制各类模型在机器人设计、传感器与任务中的应用图谱。
• 通过对比控制精度、计算负载及实时应用可行性，评估模型性能。
• 提出一种混合控制框架，结合离线训练模型与在线自适应机制，以应对模型漂移与机器人个体差异。
• 强调仿真与物理模拟器在训练强化学习智能体中的作用，因为体内探索在实际中不可行。

实验结果

研究问题

• RQ1 在数据需求、控制频率与建模精度方面，不同数据驱动模型（雅可比矩阵法、解析法、统计法、神经网络法、强化学习法）在软体机器人中的表现如何比较？
• RQ2 当前数据驱动模型在软体机器人控制中的关键局限性是什么，特别是关于模型可迁移性与长期可靠性方面？
• RQ3 为何可解释性是部署神经网络与强化学习于医疗软体机器人中的主要障碍？
• RQ4 在线学习如何补偿因材料老化与制造差异导致的软体机器人性能退化？
• RQ5 在实时软体机器人控制中，模型复杂度与计算效率之间应如何达到最优平衡？

主要发现

• 神经网络与强化学习在处理非线性与复杂变形时表现优异，但需要大规模数据集，且由于计算复杂度高，不适合在线训练。
• 雅可比矩阵法与统计模型（如高斯过程回归、卡尔曼滤波）支持在线学习与更高控制频率，尽管建模精度较低，但在实时应用中更具实用性。
• 解析模型（如有限元法、状态空间表示）可提供详细的物理描述，但不适用于在线自适应或实时控制。
• 离线训练模型与在线学习组件相结合的策略预计将成为主流控制方法，因其能有效提升对机器人老化与个体差异的鲁棒性。
• 强化学习无法在体内环境中训练，必须依赖仿真环境，尽管其具备高级任务执行能力，但临床部署仍受限制。
• 可解释性与安全性问题仍是深度学习与强化学习在医疗应用中部署的主要障碍，亟需跨学科协作。