Skip to content
RobotWorld
返回论文库

PAPER DEEP DIVE

PaperSimulation仿真

绳驱机器人的移动时域估计与非线性模型预测控制

提出绳驱机器人的移动时域估计与非线性模型预测控制方法,处理绳驱系统的柔性与时变特性,提升轨迹跟踪精度。

Lingxiao Xun, Haihong Li, Gang Zheng2026年7月27日2 分钟阅读
EN

1. 论文概览:缆驱动软体操作器的移动视野估计与非线性模型预测控制

本文由 Lingxiao Xun、Haihong Li、Gang Zheng 于 2026 年 7 月发表,提出了基于简化 Cosserat 动力学的缆驱动软体操作器移动视野估计(MHE)与非线性模型预测控制(NMPC)框架。软体操作器的精确控制因难以开发既准确又计算可处理的模型而极具挑战。简化 Cosserat 杆模型提供了基于物理、面向控制的软体机器人动力学描述,是纯数据驱动输入-输出表示的显式替代。本文开发了平滑的缆长度驱动建模表述——通过近似缆张力与缆松弛间的互补关系,实现无需直接张力传感的缆长度控制。基于此,MHE 方法估计简化状态并从末端位姿测量与缆长度信息重建操作器构型;NMPC 控制器在缆长度与缆速率约束下实现任务空间控制。框架通过仿真与四缆物理原型实验验证,展示了位姿调节与实时末端位置跟踪。

软体操作器示意图

2. 核心问题:软体操作器的建模与控制困境

软体操作器的精确控制面临根本困难:连续体动力学高度非线性、无限维,且缆驱动的单边张力-松弛行为使传统力控制需集成力传感器并实现复杂算法管理缆张力波动。力控制在工程实践中挑战显著,而控制缆长度被证明是有效替代,极大简化实际应用。但传统力控制算法难以过渡到软体操作器的缆长度控制。本文要解决的核心问题是:如何为缆驱动软体操作器建立既物理准确又计算可处理的模型,并在此基础上实现状态估计与约束控制。

3. 方法:MHE-NMPC 框架

3.1 简化 Cosserat 动力学模型

在 Cosserat 框架中,软体操作器被视为沿中心线的一系列刚性横截面。任意横截面的齐次变换矩阵为:

$$\forall s \in [0, L], \quad \boldsymbol{g}(s, t) = \begin{bmatrix} \boldsymbol{R}(s, t) & \boldsymbol{p}(s, t) \\ \boldsymbol{0} & 1 \end{bmatrix} \in SE(3)$$

其中 $\boldsymbol{p}(s, t) \in \mathbb{R}^3$ 为位置向量,$\boldsymbol{R}(s, t) \in SO(3)$ 为旋转矩阵,$L$ 为总弧长。应变与速度定义为齐次变换矩阵的左平凡化切空间:

$$\hat{\boldsymbol{\xi}}(s, t) = \boldsymbol{g}^{-1} \boldsymbol{g}' \in \mathfrak{se}(3) \simeq \mathbb{R}^6, \quad \hat{\boldsymbol{\eta}}(s, t) = \boldsymbol{g}^{-1} \dot{\boldsymbol{g}} \in \mathfrak{se}(3) \simeq \mathbb{R}^6$$

为用有限变量集表示状态,用简化自由度集参数化应变场:

$$\boldsymbol{\xi}(s, t) = \boldsymbol{\xi}_0 + \boldsymbol{\Phi}(s)\, \boldsymbol{q}(t)$$

其中 $\boldsymbol{q}(t)$ 为简化广义坐标,$\boldsymbol{\Phi}(s)$ 为形函数矩阵。

缆路径初始构型

3.2 含驱动约束的缆驱动动力学

缆通过操作器内部路径布线并锚定于某一横截面(通常自由端)。缆的单边行为表现为张力-松弛互补条件:缆只能拉不能推。传统互补条件不可微,无法直接用于基于梯度的优化。本文引入松弛变量,将互补条件近似为平滑等式约束:

$$\text{互补条件: } \lambda \geq 0, \quad \delta \geq 0, \quad \lambda \cdot \delta = 0 \quad \Longrightarrow \quad \text{平滑近似: } \lambda \cdot \delta \approx \epsilon$$

其中 $\lambda$ 为缆张力,$\delta$ 为松弛量,$\epsilon$ 为小参数。这使缆长度输入可纳入可微优化框架。

缆互补条件

3.3 NMPC-SQP 框架

将时间连续优化重新表述为时间离散的非线性规划(NLP)问题。定义离散时间点 $t_{-M}, \dots, t_0, \dots, t_P$,其中 $t_{-M}=t-t_{\text{est}}$(估计窗),$t_0=t$(当前),$t_P=t+t_{\text{ctrl}}$(预测窗),步长 $h$。状态 $\boldsymbol{x}_i = [\boldsymbol{q}_i^\top, \boldsymbol{q}_{i-1}^\top]^\top$。估计与预测作为独立优化问题求解。NMPC 控制器在缆长度与缆速率约束下计算任务空间控制:

$$\arg\min_{\boldsymbol{u}_{0:P-1}} \sum_{i=0}^{P-1} \mathcal{J}_{\text{ctrl}}(\boldsymbol{x}_i, \boldsymbol{u}_i) + \mathcal{J}_{\text{term}}(\boldsymbol{x}_P)$$

受动力学约束、缆长度约束 $\boldsymbol{u}_{\min} \leq \boldsymbol{u}_i \leq \boldsymbol{u}_{\max}$ 与缆速率约束 $|\Delta \boldsymbol{u}_i| \leq \Delta \boldsymbol{u}_{\max}$。MHE 估计问题类似地在过去视野上最小化估计残差。

SQP 估计与控制耦合框架

4. 数值仿真

4.1 仿真设置

仿真用 16 缆软体操作器验证。测试包括 MHE 构型估计、恒定位姿控制、轨迹跟踪控制、应变-位姿耦合控制。位姿控制目标设为 $\boldsymbol{\phi}_r = [1, -2, -3]^\top$、$\boldsymbol{p}_r = [5, 10, 8]^\top$,控制输入为缆长度。仿真时间步 0.005 s,预测视野内相邻预测构型间隔 0.01 s。

算法伪代码

4.2 仿真结果

位姿控制测试中,软体操作器从重力影响下的稳态快速移动到固定目标位姿,预测构型与实际构型一致。轨迹跟踪与应变-位姿耦合控制均展示框架能力。预测视野时长的影响也被分析。

仿真软体操作器

5. 实验验证

5.1 实验设置

物理原型为四缆软体操作器:硅胶锥体主体,沿轴向等距分布变径刚性套筒,四缆穿过套筒锚定于终端套筒。材料参数:杨氏模量 $E = 2.563 \times 10^5$ Pa,剪切模量 $G = 8.543 \times 10^4$ Pa,密度 $\rho = 1.41 \times 10^3$ kg/m³。控制平台含 4 步进电机、磁传感器(LIBERTY 240/16)与计算机。

组件规格用途
软体操作器主体硅胶锥体 + 变径刚性套筒承载缆接触力并传递至硅胶体
驱动4 台步进电机控制四根缆
传感LIBERTY 240/16 磁传感器检测末端位置
计算计算机运行观测器与控制器算法

5.2 实验结果

MHE 观测器:操作者随机拉拽四缆产生运动,MHE(时域 0.3 s,离散 3 步每步 0.1 s)基于末端测量轨迹估计操作器形状。估计误差快速收敛并保持有界,视觉对比定性确认估计形状与物理原型变形一致。轨迹跟踪:闭环实验集成 MHE 观测器与 MPC,在预定轨迹与随机变化轨迹两种场景下评估末端跟踪性能,展示准确的位置跟踪。实时标记跟踪计算性能验证了实时可行性。

实验项设置结果
MHE 观测器时域 0.3s, 3 步×0.1s误差快速收敛且保持有界
轨迹跟踪预定 + 随机轨迹准确末端位置跟踪
实时标记跟踪四缆闭环实时可行
计算性能四缆原型满足实时约束

6. 局限性

  • 平滑近似的精度:缆互补条件的平滑近似引入小参数 $\epsilon$ 的近似误差,在缆接近完全松弛时精度下降。
  • 材料参数标定:依赖标定的杨氏模量、剪切模量与密度,材料参数不确定性影响模型精度。
  • 传感器依赖:MHE 需末端位姿测量与缆长度信息,磁传感器在特定环境下可能受干扰。
  • 四缆限制:实验原型仅四缆,更多缆或更复杂构型的可扩展性需进一步验证。
  • 形状控制未实验:实验聚焦末端位置跟踪,形状控制等更复杂目标仅在仿真中验证。

7. 总结

本文为缆驱动软体操作器提出统一建模、估计与控制框架。缆驱动机构的单边张力-松弛行为先用互补条件表述,再通过松弛变量近似为平滑等式约束,使缆长度输入纳入可微优化。推导了操作器动力学与缆驱动约束的解析 Jacobian。基于简化 Cosserat 杆动力学开发 MHE-NMPC 框架:移动视野估计器从末端位姿与缆长度重建简化状态与构型,NMPC 控制器在缆长度与缆速率约束下计算缆长度命令。数值仿真展示位姿调节、轨迹跟踪与应变相关控制能力;四缆原型实验验证实时实现与准确末端位置跟踪。核心洞见是:将缆的互补条件平滑化,使物理准确的 Cosserat 动力学与基于梯度的 MPC 首次在软体操作器上实时协同——精确建模与约束控制不再对立。

flowchart TD
    A["缆长度输入 u"] --> B["平滑缆驱动约束
互补条件 → 平滑等式"] C["末端位姿测量"] --> D["MHE 移动视野估计器"] E["缆长度信息"] --> D D --> F["估计简化状态 q
重建操作器构形"] F --> G["NMPC 控制器
缆长度+缆速率约束"] B --> G G --> H["最优缆长度命令"] H --> I["步进电机执行"] I --> A J["简化 Cosserat 动力学
ξ = ξ₀ + Φ·q"] --> G J --> D
将缆的互补条件平滑化,使物理准确的 Cosserat 动力学与基于梯度的模型预测控制首次在软体操作器上实时协同——精确建模与约束控制,从此不再对立。

相关论文

在仿真中预训练视觉灵巧操作

在仿真中预训练视觉灵巧操作

SPD 让操作员在 VR 头显中直接操控虚拟物体,一周内在 MuJoCo 仿真里采集 75 小时同 embodiment 灵巧操作数据,用流匹配预训练扩散 Transformer;在 56 自由度双臂灵巧平台上仅用 1-2 小时真实示教微调,五项双手任务全面超越从零训练的行为克隆,且历史条件化加短动作块配置从预训练中获益最大。

灵巧操作灵巧手预训练2026年8月16日
FA-RDP:频率自适应反应扩散策略

FA-RDP:频率自适应反应扩散策略

In contact-rich manipulation, action multimodality and reactivity dominate different stages of a single episode. Before contact, multiple trajectories might be equally valid, making it important to preserve diverse action modes. After contact, geometric constraints and force limits narrow the solution space, while successful execution demands rapid responses to force feedback. However, standard diffusion policies use a fixed inference frequency and sampling steps throughout the episode, forcing a fundamental compromise: low-frequency, multi-step sampling better preserves pre-contact multimodality but responds slowly to force feedback, whereas high-frequency sampling improves reactivity but tends to collapse distinct pre-contact modes. To resolve this tradeoff, we present FA-RDP, a frequency-adaptive reactive diffusion policy. A shared multi-frequency visual-force Transformer predicts action chunks at both low and high frequencies, while a learned multimodality indicator dynamically selects multi-step low-frequency sampling before contact and one-step high-frequency sampling as action ambiguity decreases. We further introduce Manifold Consistency Distillation (MCD), which reparameterizes the diffusion network to predict actions on the robot action manifold while retaining DDPM-based residual supervision. Experiments on three contact-rich manipulation tasks show that FA-RDP achieves the highest success rate while preserving diverse pre-contact trajectory modes. Code and videos are available at https://fa-rdp.github.io.

Paper2026年7月30日
PhiZero:基于物理语言的世界模型

PhiZero:基于物理语言的世界模型

We introduce PhiZero, a physical world model built around physical language, a compact discrete representation of world-state transitions. Existing physical world models typically predict future videos directly in pixel space, leaving the underlying world dynamics implicit within high-dimensional visual predictors. Motivated by humans' ability to abstract predictive structure from visual experience and organize it in natural language for explicit reasoning, we learn physical language from in-the-wild videos through self-supervision and use it to explicitly reason about how the physical world evolves. Accordingly, PhiZero adopts a reason-then-render paradigm: it first infers future world evolution as a physical-language sequence and then renders the inferred transitions into videos. Extensive experiments across generation and understanding benchmarks validate the ability of PhiZero to model physically coherent world evolution. We further show its potential for realistic and interactive world modeling, fine-grained action-conditioned simulation, and zero-shot motion transfer.

Paper2026年7月30日
Booster Lab:可部署人形运动学习的数据中心化管线

Booster Lab:可部署人形运动学习的数据中心化管线

将异构运动源(人体演示+仿真采集)转化为可部署的 Booster T1 运动策略,四阶段管线将运动数据视为学习回路可控部分:数据策展→real-to-sim适配→AMP强化学习→跨仿真器验证+部署。

步态优化人形机器人AMP2026年6月26日