Multi-Objective Neural Network Assisted Design Optimization of Soft Fin-Ray Grippers for Enhanced Grasping Performance
作者: Ali Ghanizadeh, Ali Ahmadi, Arash Bahrami
分类: cs.RO, cs.AI, cs.CE
发布日期: 2025-05-31
💡 一句话要点
提出基于多目标神经网络辅助的软鳍射线夹爪优化设计方法，提升抓取性能。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 软体机器人 夹爪设计 多目标优化 神经网络 有限元分析
📋 核心要点
- 软体夹爪的设计面临抓取力和精细操作之间的矛盾，难以同时优化两者。
- 利用有限元分析数据训练多层感知器，预测夹爪的接触力和位移，建立设计变量与性能指标的映射关系。
- 采用非支配排序遗传算法（NSGA-II）进行多目标优化，获得一组平衡抓取力和精细操作的Pareto最优解。
📝 摘要（中文）
软鳍射线夹爪因其精细操作能力而在各领域备受关注，能安全地处理各种形状和尺寸的物体。鳍射线手指的内部结构对其适应性和抓取性能至关重要。然而，为设计目的建模非线性抓取力和变形行为具有挑战性。此外，当鳍射线手指变得更坚硬并能施加更高的力时，它在处理物体时变得不那么精细。这两个目标之间的对比产生了一个多目标优化问题。本研究采用有限元方法（FEM）来估计鳍射线夹持圆柱形物体时的挠度和接触力。然后，该数据集用于构建多层感知器（MLP），以预测接触力和尖端位移。FEM数据集包含三个输入特征和四个目标特征。MLP和优化设计变量的三个输入特征是前梁和支撑梁的厚度、横梁的厚度以及横梁之间的等间距。此外，目标特征是x和y方向上的最大接触力和最大尖端位移。最大接触力和最大尖端位移的大小是两个目标，显示了软鳍射线夹爪中力和精细操作之间的权衡。此外，使用多目标优化技术找到优化的解决方案集。我们为此目的使用非支配排序遗传算法（NSGA-II）方法。我们的研究结果表明，我们的方法可用于改进软机器人夹爪的设计和抓取性能，帮助我们选择不仅用于精细抓取而且用于高力应用的夹爪设计。
🔬 方法详解
问题定义：软体鳍射线夹爪的设计需要在抓取力和精细操作之间进行权衡。传统的优化方法难以有效建模夹爪的非线性行为，并且难以同时优化多个相互冲突的目标。现有方法的痛点在于无法兼顾高抓取力和对物体的精细操作。
核心思路：论文的核心思路是利用有限元分析（FEM）生成的数据集训练一个神经网络（多层感知器，MLP），该网络能够预测夹爪的接触力和位移。然后，使用多目标优化算法（NSGA-II）在神经网络的辅助下，寻找一组在抓取力和精细操作之间取得平衡的Pareto最优解。这样设计的目的是为了克服传统优化方法在处理非线性问题和多目标优化方面的局限性。
技术框架：整体流程如下： 1. 使用有限元方法（FEM）模拟鳍射线夹爪抓取圆柱形物体的过程，获取夹爪的挠度和接触力数据。 2. 构建一个多层感知器（MLP），使用FEM数据训练该网络，使其能够预测夹爪的接触力和尖端位移。 3. 使用非支配排序遗传算法（NSGA-II）进行多目标优化，以最大接触力和最小尖端位移为目标，优化夹爪的设计参数。 4. 分析优化结果，选择合适的夹爪设计方案。
关键创新：该论文的关键创新在于将神经网络与多目标优化算法相结合，用于软体夹爪的设计。通过神经网络学习夹爪的非线性行为，提高了优化效率和精度。同时，使用多目标优化算法能够找到一组平衡不同性能指标的Pareto最优解，为设计者提供更多的选择。
关键设计： * 输入特征：前梁和支撑梁的厚度、横梁的厚度、横梁之间的等间距。 * 目标特征：x和y方向上的最大接触力、x和y方向上的最大尖端位移。 * 神经网络结构：多层感知器（MLP），具体层数和神经元数量未知。 * 优化算法：非支配排序遗传算法（NSGA-II）。 * 优化目标：最大化最大接触力，最小化最大尖端位移。
🖼️ 关键图片
📊 实验亮点
该研究通过结合有限元分析、神经网络和多目标优化算法，成功地优化了软鳍射线夹爪的设计。实验结果表明，该方法能够找到一组平衡抓取力和精细操作的Pareto最优解，为设计者提供了更多的选择。虽然论文中没有给出具体的性能数据和提升幅度，但该方法为软体夹爪的设计提供了一种有效的途径。
🎯 应用场景
该研究成果可应用于软体机器人夹爪的设计与优化，尤其适用于需要精细操作和高抓取力的场景，如医疗手术、食品加工、精密仪器装配等。通过优化夹爪设计，可以提高机器人操作的安全性、精度和效率，拓展软体机器人在各个领域的应用。
📄 摘要（原文）
Soft Fin-Ray grippers can perform delicate and careful manipulation, which has caused notable attention in different fields. These grippers can handle objects of various forms and sizes safely. The internal structure of the Fin-Ray finger plays a significant role in its adaptability and grasping performance. However, modeling the non-linear grasp force and deformation behaviors for design purposes is challenging. Moreover, when the Fin-Ray finger becomes more rigid and capable of exerting higher forces, it becomes less delicate in handling objects. The contrast between these two objectives gives rise to a multi-objective optimization problem. In this study, we employ finite element method (FEM) to estimate the deflections and contact forces of the Fin-Ray, grasping cylindrical objects. This dataset is then used to construct a multilayer perception (MLP) for prediction of the contact force and the tip displacement. The FEM dataset consists of three input and four target features. The three input features of the MLP and optimization design variables are the thickness of the front and supporting beams, the thickness of the cross beams, and the equal spacing between the cross beams. In addition, the target features are the maximum contact forces and maximum tip displacements in x- and y-directions. The magnitude of maximum contact force and magnitude of maximum tip displacement are the two objectives, showing the trade-off between force and delicate manipulation in soft Fin-Ray grippers. Furthermore, the optimized set of solutions are found using multi-objective optimal techniques. We use non-dominated sorting genetic algorithm (NSGA-II) method for this purpose. Our findings demonstrate that our methodologies can be used to improve the design and gripping performance of soft robotic grippers, helping us to choose a design not only for delicate grasping but also for high-force applications.