SOFTMAP: Sim2Real Soft Robot Forward Modeling via Topological Mesh Alignment and Physics Prior

📄 arXiv: 2603.19384v1 📥 PDF

作者: Ziyong Ma, Uksang Yoo, Jonathan Francis, Weiming Zhi, Jeffrey Ichnowski, Jean Oh

分类: cs.RO

发布日期: 2026-03-19

💡 一句话要点

提出SOFTMAP以解决软机器人前向建模问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软机器人 前向建模 机器学习 拓扑对齐 残差修正网络 实时推理 腱驱动 人机协作

📋 核心要点

  1. 现有的软机器人前向建模方法在面对材料非线性和制造变异时，准确性不足，难以实现实时控制。
  2. SOFTMAP通过拓扑对齐、轻量前向模型和残差修正网络等技术，提供了一种高效的3D前向建模解决方案。
  3. 在实验中，SOFTMAP在模拟和物理硬件上分别达到了0.389mm和3.786mm的Chamfer距离，且远程操作任务成功率提升了36.5%。

📝 摘要（中文）

软机器人操纵器相较于刚性机器人具有良好的柔性和安全性，但由于材料的非线性特性和制造变异，准确的前向建模仍然是一个挑战。本文提出了SOFTMAP，一个用于实时3D前向建模的sim-to-real学习框架，专注于腱驱动的软指操纵器。SOFTMAP结合了四个关键组件，包括基于ARAP的拓扑对齐、轻量级的多层感知机前向模型、残差修正网络和闭式线性驱动校准层。实验结果表明，SOFTMAP在模拟和物理硬件上均实现了先进的形状预测精度，并在远程操作任务成功率上提升了36.5%。

🔬 方法详解

问题定义：本文旨在解决软机器人前向建模中的准确性和实时性问题。现有方法在处理材料的非线性现象（如滞后效应）和制造变异时，表现出较大的误差，限制了其在实际应用中的有效性。

核心思路：SOFTMAP框架通过结合拓扑对齐和机器学习技术，能够在模拟与现实之间建立有效的映射关系，从而提高前向建模的准确性和实时性。

技术框架：SOFTMAP的整体架构包括四个主要模块：1) 基于ARAP的拓扑对齐，用于将模拟和真实的点云投影到一致的顶点空间；2) 轻量级多层感知机（MLP）前向模型，将伺服命令映射到完整的3D指几何；3) 残差修正网络，基于少量真实观测数据预测每个顶点的位移场；4) 闭式线性驱动校准层，实现30 FPS的实时推理。

关键创新：SOFTMAP的创新在于其结合了拓扑对齐和残差修正网络的策略，显著提高了模拟与现实之间的匹配精度，克服了传统方法的局限性。

关键设计：在设计中，使用了轻量级的MLP结构以确保实时性能，同时通过残差学习来减少模拟与现实之间的差异，优化了模型的训练过程。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SOFTMAP在实验中取得了显著的成果，模拟环境下的Chamfer距离为0.389mm，物理硬件下为3.786mm，且在多条目标路径上的指尖轨迹跟踪精度达到了毫米级。此外，远程操作任务的成功率提升了36.5%，展示了其在实际应用中的有效性。

🎯 应用场景

SOFTMAP的研究成果在软机器人领域具有广泛的应用潜力，尤其是在医疗、服务机器人和人机协作等场景中。其高效的前向建模能力可以提升软机器人在复杂环境中的操作精度和安全性，为未来的智能机器人发展奠定基础。

📄 摘要（原文）

While soft robot manipulators offer compelling advantages over rigid counterparts, including inherent compliance, safe human-robot interaction, and the ability to conform to complex geometries, accurate forward modeling from low-dimensional actuation commands remains an open challenge due to nonlinear material phenomena such as hysteresis and manufacturing variability. We present SOFTMAP, a sim-to-real learning framework for real-time 3D forward modeling of tendon-actuated soft finger manipulators. SOFTMAP combines four components: (1) As-Rigid-As-Possible (ARAP)-based topological alignment that projects simulated and real point clouds into a shared, topologically consistent vertex space; (2) a lightweight MLP forward model pretrained on simulation data to map servo commands to full 3D finger geometry; (3) a residual correction network trained on a small set of real observations to predict per-vertex displacement fields that compensate for sim-to-real discrepancies; and (4) a closed-form linear actuation calibration layer enabling real-time inference at 30 FPS. We evaluate SOFTMAP on both simulated and physical hardware, achieving state-of-the-art shape prediction accuracy with a Chamfer distance of 0.389 mm in simulation and 3.786 mm on hardware, millimeter-level fingertip trajectory tracking across multiple target paths, and a 36.5% improvement in teleoperation task success over the baseline. Our results show that SOFTMAP provides a data-efficient approach for 3D forward modeling and control of soft manipulators.