分层控制方法：基于前馈神经网络的蜂巢气动软体执行器

"这篇论文探讨了基于前馈神经网络的蜂巢气动软体执行器的分层控制方法，旨在解决软体机器人控制系统的复杂性和难度。作者包括刘兴华、隋之瑜等人，来自中国科学技术大学的不同学院。文章着重于解决平面运动的多段可伸长软体手臂的逆运动学问题，提出了一个两层控制算法。第一层算法通过梯度下降法在任务空间到配置空间之间优化姿态，而第二层则考虑粘弹性效应，利用神经网络确定气压以实现执行器的精确控制。实验证明了该控制策略的精度和有效性，并可以通过反馈策略进一步增强控制性能。" 论文的核心内容和知识点如下： 1. 软体机器人技术：软体机器人是一种利用柔软材料和创新驱动方式制造的机器人，它们能适应各种环境，具有高灵活性和多样性，但也因其复杂的动态行为增加了控制设计的挑战。 2. 前馈神经网络：前馈神经网络是一种在机器学习中常见的结构，用于模拟大脑的信息传递过程。在这里，它被用来预测和控制软体执行器的气压，以实现期望的运动。 3. 分层控制方法：论文提出的控制策略分为两个层次。第一层是任务空间到配置空间的映射，通过优化算法（如梯度下降）寻找最佳姿态；第二层是配置空间到执行器空间的映射，利用神经网络处理软体执行器的非线性和粘弹性特性。 4. 逆运动学问题：逆运动学是机器人学中的关键问题，它涉及到从期望的末端位置或姿态反推关节角度或气压。对于软体机器人，由于其非刚性的特性，逆运动学问题更为复杂。 5. 粘弹性：软体执行器的材料通常具有粘弹性，即既有弹性又有粘性。这种性质导致其在受力后不仅会立即变形，还会随着时间产生蠕变和恢复，这对精确控制提出了额外挑战。 6. 实验验证与反馈策略：作者通过实际的物理原型验证了控制算法的性能，结果表明控制策略能够实现精确的定位。此外，论文还讨论了通过反馈策略进一步改善控制效果的可能性。 7. 应用领域：这种控制方法对于需要精细操作和高度适应性的应用场景，如医疗手术、危险环境探索以及精密组装等，具有重要价值。 8. 研究贡献：该研究提供了一种有效解决软体手臂控制问题的新途径，为软体机器人领域的控制系统设计提供了理论基础和技术支持。 这篇论文对软体机器人控制技术进行了深入研究，特别是在解决软体执行器的逆运动学问题上，提出了具有创新性和实用性的分层控制策略。通过神经网络和反馈策略的结合，有望实现更高效、更精确的软体机器人控制。