Dynamic Shape Control of Soft Robots Enabled by Data-Driven Model Reduction

📄 arXiv: 2511.03931v1 📥 PDF

作者: Iman Adibnazari, Harsh Sharma, Myungsun Park, Jacobo Cervera-Torralba, Boris Kramer, Michael T. Tolley

分类: cs.RO

发布日期: 2025-11-06

备注: 20 Pages, 8 Figures

💡 一句话要点

提出基于数据驱动模型降阶的软体机器人动态形状控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软体机器人 动态形状控制 模型降阶 数据驱动 模型预测控制

📋 核心要点

  1. 软体机器人动态形状控制面临高维动态建模难题，现有方法缺乏通用性。
  2. 采用数据驱动模型降阶技术，生成适用于动态形状控制的线性模型。
  3. 实验表明，基于拉格朗日算子推断（LOpInf）的模型预测控制策略具有更低的跟踪误差。

📝 摘要（中文）

软体机器人在需要利用全身动态控制的场景中展现出巨大潜力。然而，有效的动态形状控制需要一个能够考虑机器人高维动态特性的控制器，而缺乏通用的软体机器人建模工具使得控制变得更具挑战性。本文对数据驱动的模型降阶技术进行了比较研究，旨在生成适用于动态形状控制的线性模型。我们重点研究了三种方法：特征系统实现算法（eigensystem realization algorithm）、带控制的动态模式分解（dynamic mode decomposition with control）和拉格朗日算子推断（Lagrangian operator inference，LOpInf）方法。使用每种模型，我们探索了它们在模型预测控制策略中对模拟鳗鱼软体机器人进行动态形状控制的有效性，实验包括：1）跟踪保证可行的模拟参考轨迹；2）跟踪由鳗鱼运动学生物模型生成的参考轨迹；3）跟踪由缩小比例的物理模拟产生的参考轨迹。在所有实验中，基于LOpInf的策略产生的跟踪误差低于基于其他模型的策略。

🔬 方法详解

问题定义：软体机器人的动态形状控制需要精确的动力学模型，但软体机器人具有高维、非线性的特性，难以建立精确且易于控制的模型。现有的建模方法要么过于简化，无法捕捉复杂的动态行为，要么计算复杂度过高，难以应用于实时控制。

核心思路：利用数据驱动的模型降阶技术，从高维的原始数据中学习得到低维的线性模型，从而简化控制器的设计和计算。核心在于找到一个合适的降阶方法，既能保留原始系统的重要动态特性，又能降低模型的复杂度。

技术框架：该研究主要分为三个阶段：1）数据采集：通过仿真或实验获取软体机器人的运动数据；2）模型降阶：使用三种不同的数据驱动方法（特征系统实现算法、带控制的动态模式分解和拉格朗日算子推断）对数据进行处理，得到线性降阶模型；3）模型预测控制：基于降阶模型设计模型预测控制器，实现对软体机器人动态形状的控制。

关键创新：该研究的关键创新在于比较了三种不同的数据驱动模型降阶方法在软体机器人动态形状控制中的应用效果，并发现拉格朗日算子推断（LOpInf）方法在跟踪精度方面表现更优。LOpInf方法能够更好地捕捉系统的非线性特性，从而提高控制性能。

关键设计：研究中使用了三种不同的模型降阶方法，每种方法都有其特定的参数设置。例如，在拉格朗日算子推断（LOpInf）方法中，需要选择合适的基函数来表示系统的状态空间。此外，模型预测控制器的设计也需要考虑控制器的预测时域、控制增益等参数。

📊 实验亮点

实验结果表明，基于拉格朗日算子推断（LOpInf）的模型预测控制策略在跟踪模拟鳗鱼软体机器人的参考轨迹时，能够实现比其他两种方法（特征系统实现算法和带控制的动态模式分解）更低的跟踪误差。这表明LOpInf方法在软体机器人动态形状控制方面具有更高的潜力。

🎯 应用场景

该研究成果可应用于医疗机器人、搜救机器人、农业机器人等领域。软体机器人能够在复杂、狭窄或不确定的环境中执行任务，例如在人体内进行微创手术、在废墟中搜寻幸存者、在农田中进行精准作业。通过数据驱动的模型降阶方法，可以更有效地控制软体机器人的运动，提高其在实际应用中的性能和可靠性。

📄 摘要（原文）

Soft robots have shown immense promise in settings where they can leverage dynamic control of their entire bodies. However, effective dynamic shape control requires a controller that accounts for the robot's high-dimensional dynamics--a challenge exacerbated by a lack of general-purpose tools for modeling soft robots amenably for control. In this work, we conduct a comparative study of data-driven model reduction techniques for generating linear models amendable to dynamic shape control. We focus on three methods--the eigensystem realization algorithm, dynamic mode decomposition with control, and the Lagrangian operator inference (LOpInf) method. Using each class of model, we explored their efficacy in model predictive control policies for the dynamic shape control of a simulated eel-inspired soft robot in three experiments: 1) tracking simulated reference trajectories guaranteed to be feasible, 2) tracking reference trajectories generated from a biological model of eel kinematics, and 3) tracking reference trajectories generated by a reduced-scale physical analog. In all experiments, the LOpInf-based policies generated lower tracking errors than policies based on other models.