在机器人技术飞速发展的今天，传统刚性机械臂因其高精度、强负载能力在工业自动化领域占据主导地位。然而，面对日益复杂的非结构化环境任务——如医疗手术操作、灾难现场搜救、狭窄空间探测等场景，刚性机械臂在安全性、环境适应性及人机交互柔顺性方面存在显著局限。在此背景下，软体机器人技术其以仿生学为基础，采用柔性材料构建，具备连续变形能力、碰撞安全性高、环境顺应性强等独特优势，为机器人应用开辟了全新维度。

模块化软体机械臂作为该领域的核心研究方向之一，通过将机械臂分解为标准化、可互换的功能单元，如驱动模块、传感模块、连接模块等，赋予系统可重构、可扩展、易维护的核心特性。然而，现有软体机械臂普遍存在运动状态的非线性、时滞性与迟滞性难题，严重限制了其实际应用的广度与灵活性。

针对以上难题，来自意大利比萨圣安娜高等学校生物机器人研究所和瑞士洛桑联邦理工学院 CREATE实验室的研究人员提出了一种基于双向长短期记忆网络（biLSTM）的智能控制架构及策略，创新性地解决了模块化软体机械臂（MSRA）的多功能协同控制问题。该规划与控制策略赋予了MSRA精确且复杂的变形能力，显著提升了其灵活性和态势感知能力，为MSRA在例如微创手术中执行精确操作、灾难搜救中适应复杂环境、狭窄空间探测中实现灵巧运动以及人机交互中确保安全柔顺等场景的应用前景提供了强大支撑。

图一研究成果发表相关信息

这项成果的相关论文以“A Versatile Neural Network Configuration Space Planning and Control Strategy for Modular Soft Robot Arms”为题发表于IEEE Transactions on Robotics（第41卷）。

▍ 开发创新模块化设计，解耦动力学耦合难题

为验证所提出的方法，研究团队首先设计并利用缆线驱动的MSRA开展实验。该机器人由三个基于微调螺旋面（TH）结构的独立模块组成（每个模块约0.2米）。每个模块由安装在MSRA底座上的三个电机（DYNAMIXEL XL330-M288-T）驱动，并通过三根以120°排列的缆线连接。具体而言，模块I的电缆直接连接到带有20毫米直径滑轮的电机上；而模块II和III的电缆则穿过外壳管（4 × 2毫米聚四氟乙烯管），从而保证了每个模块的独立性。

图二实验机器人设置

该机器人采用的壳体管-电缆结构与自行车制动系统具有相同的工作原理：内部的电缆可以在两端之间传递位移，而不会使外管变形。而内部肌腱力施加在壳体管上的力在两端被相应部分的压力抵消。因此，壳体管有效地将张力从电机底座直接传递到特定的软体机器人部分。这意味着肌腱力仅影响目标部分，而不会影响其他部分。此外，团队还使用了光滑且高度柔韧的PTFE管作为壳体管，最大化降低系统内摩擦力。最终，管两端固定且内部线缆仅传递目标模块张力的设计，成功将重力与摩擦力干扰抑制至可忽略水平，有效解决了多模块机械臂的动力学耦合难题。

为了精确捕捉机器人位置的真实值用于训练和监控，每个模块和机器人底座的末端都固定了多个光学跟踪标记。六个光学跟踪摄像头（Optitrack Prime 13）和运动捕捉软件Motive（Optitrack）负责收集每个模块末端的位置和方向数据。因此，该系统支持对MSRA运动状态的实时、高精度捕捉与反馈，为后续神经网络的训练与验证以及闭环控制提供了关键的硬件基础。

▍ biLSTM智能控制架构：突破复杂建模瓶颈

在规划与控制方法的构思上，研究团队的灵感来源于模型预测控制（MPC）。MPC的核心思想在于基于系统模型预测未来状态，并通过求解优化问题来确定最优控制动作。

图三模块配置示意图

然而，将MPC直接应用于模块化软体机械臂（MSRA）面临巨大挑战，其根源在于MSRA的高度复杂性和强耦合特性。具体而言，各段的驱动量(A) 直接影响其自身的构型 (C)，同时该段的构型还会受到相邻段构型和重力等环境因素的显著影响。最终，所有段的构型共同决定了整个MSRA的状态 (S)，例如各段末端的位置、姿态以及机械臂的整体形状。这种状态(S)、构型(C)、驱动(A)之间复杂的、非线性的相互依赖关系，使得构建精确的解析模型极为困难。

为了克服这一难题并实现有效的规划与控制，研究团队针对从期望状态空间到所需构型空间的规划问题（S2C），提出了一种基于数据驱动的解决方案：构建了一个以双向长短期记忆网络（biLSTM）为核心的正向运动学模型（NN_C2S）。

该模型能够学习从驱动输入和/或构型到最终状态的复杂映射关系。进而，利用这个强大的NN_C2S模型作为预测引擎，将S2C规划问题转化为一个在构型空间中进行优化的过程，通过求解优化问题来找到能驱动MSRA达到期望状态的最佳构型序列或驱动指令。

在成功通过S2C规划获得目标构型(C*)后，接下来的关键步骤是设计控制策略，以实现从目标构型到实际驱动指令的精确映射（即C2A控制）。 考虑到MSRA固有的强耦合动力学特性，研究团队再次利用了biLSTM网络的优势，实现MSCA的配型控制。该模型能够学习在给定目标构型(C)和当前状态/构型下，生成所需的驱动指令(A)，从而精确地实现对MSRA的跟踪控制。

▍ 多场景验证：显著性能优势

实验验证部分首先聚焦于基础任务，并与基于常曲率模型（PCC）的方法进行比较。在基础任务中，团队同时控制机器人末端的位置（进行轨迹追踪）以及俯仰角与偏航角。实验结果表明，该团队提出的方法在所有任务中的追踪误差均显著低于PCC方法。

除了基础的位置和角度轨迹追踪任务，该研究团队的方法还展现出处理更复杂任务的能力。考虑到MSRA特别适合在诸如手术、发动机维修等对特定位置有严格限制要求的任务中使用，团队设计并实现了在限制某些关键位置不变的前提下驱动机械臂其余部分运动的实验，成功验证了方法的精确位置约束与控制能力。

图五MSRA实现位置限制控制

进一步地，应用此方法还可以实现动态环境中的避障与目标追踪。在演示中，团队在原始规划轨迹上动态放置蓝色障碍物，迫使系统进行在线轨迹重新规划，成功实现了避障和追踪目标。

图六实现线上追踪与避障

▍ 结语

该研究团队提出的基于双向长短期记忆网络（biLSTM）的智能规划与控制策略，为模块化软体机械臂（MSRA）在复杂、非结构化环境中的精确操控提供了创新性的解决方案。实验验证也充分证明了该方法在轨迹追踪、位置约束、动态避障与目标追踪等多场景任务中的优越性能。这一进展突破了软体机械臂运动控制中长期存在的非线性、时滞性与迟滞性挑战，为其在高精度、高安全性要求的关键领域的实际应用落地铺平了道路。

论文链接：

https://ieeexplore.ieee.org/document/11049035/authors#authors