[论文解读] Design, Control, and Applications of a Soft Robotic Arm

Hao Jiang, Zhanchi Wang+6 more|arXiv (Cornell University)|Jul 8, 2020

Soft Robotics and Applications参考文献 62被引用 7

一句话总结

本论文提出了一种基于蜂窝气动网络（HPN）的新型软体机械臂设计，具备高负载能力与灵活性，采用三种控制策略——开环控制结合分段恒定曲率与机器学习、基于估计雅可比矩阵的反馈控制，以及无模型强化学习——实现了稳定的三维与二维控制。HPN机械臂在3 bar压力下实现了3 kg的横向负载能力，展现出在人机交互、自由空间操作及受限空间任务中的强大潜力。

ABSTRACT

This paper presents the design, control, and applications of a multi-segment soft robotic arm. In order to design a soft arm with large load capacity, several design principles are proposed by analyzing two kinds of buckling issues, under which we present a novel structure named Honeycomb Pneumatic Networks (HPN). Parameter optimization method, based on finite element method (FEM), is proposed to optimize HPN Arm design parameters. Through a quick fabrication process, several prototypes with different performance are made, one of which can achieve the transverse load capacity of 3 kg under 3 bar pressure. Next, considering different internal and external conditions, we develop three controllers according to different model precision. Specifically, based on accurate model, an open-loop controller is realized by combining piece-wise constant curvature (PCC) modeling method and machine learning method. Based on inaccurate model, a feedback controller, using estimated Jacobian, is realized in 3D space. A model-free controller, using reinforcement learning to learn a control policy rather than a model, is realized in 2D plane, with minimal training data. Then, these three control methods are compared on a same experiment platform to explore the applicability of different methods under different conditions. Lastly, we figure out that soft arm can greatly simplify the perception, planning, and control of interaction tasks through its compliance, which is its main advantage over the rigid arm. Through plentiful experiments in three interaction application scenarios, human-robot interaction, free space interaction task, and confined space interaction task, we demonstrate the potential application prospect of the soft arm.

研究动机与目标

• 设计一种具有高负载能力与灵活性的软体机械臂，灵感源自象鼻的强度与灵巧性。
• 通过提出新型结构设计原则，解决软体机械臂在负载下因屈曲导致的不稳定性问题。
• 开发适用于不同模型精度与外部干扰的高精度、鲁棒且可适应的软体机械臂控制方法。
• 在真实世界交互任务中展示软体机械臂的优势，特别是在非结构化环境中的表现。
• 建立一种可靠、耐用且易于制造的软体机器人平台，支持未来与人工智能及移动系统集成。

提出的方法

• 提出一种新型软体机械臂结构——蜂窝气动网络（HPN），通过分析两种屈曲机制，提升负载能力与稳定性。
• 采用基于有限元法（FEM）的参数优化，对HPN结构进行调优，以实现最大负载能力与结构完整性。
• 开发快速制造工艺，实现多种HPN变体的快速原型制作，并具备可调机械性能。
• 实现一种开环控制器，结合分段恒定曲率（PCC）建模与机器学习，基于精确模型实现高精度三维轨迹跟踪。
• 设计一种基于估计雅可比矩阵的反馈控制器，以补偿三维空间中外力作用下模型不准确带来的影响。
• 在二维空间中实现无模型强化学习控制器，直接从极少量数据中学习控制策略，避免依赖系统动力学模型。

实验结果

研究问题

• RQ1 如何设计软体机械臂，使其在保持柔韧性的同时具备高负载能力，并有效抵抗屈曲？
• RQ2 在存在固有模型不确定性的情况下，软体机械臂能否在外部干扰下实现三维空间中的精确建模与控制？
• RQ3 在不同条件下，基于模型、反馈与无模型控制策略之间的性能权衡与适用性如何？
• RQ4 与刚性机械臂相比，软体机械臂的顺应性在感知、规划与控制交互任务中带来了哪些简化作用？
• RQ5 软体机械臂在实际应用场景中（如人机交互、自由空间操作与受限空间任务）如何实现有效应用？

主要发现

• HPN设计在3 bar压力下实现了3 kg的横向负载能力，显著优于典型软体机械臂的负载性能。
• 基于FEM的参数优化有效提升了结构稳定性与负载能力，验证了设计原则对屈曲风险的应对能力。
• 结合PCC与机器学习的开环控制器在精确模型下实现了稳定的高精度三维轨迹跟踪，展现出优异的控制精度。
• 基于估计雅可比矩阵的反馈控制器在外部力作用下，即使存在模型不准确，仍能在三维空间中保持稳定性能。
• 无模型强化学习控制器在极低训练数据条件下实现了可靠的二维控制，证明了无需预先建模的可行性。
• 该软体机械臂在三项实际交互任务中——人机交互、自由空间操作与受限空间任务——表现出卓越的适应性与安全性，凸显其在非结构化环境中的优势。