Data-Driven Dynamic Modeling of a Tendon-Actuated Continuum Robot

📄 arXiv: 2605.18720v1 📥 PDF

作者: Harald Minde Hansen, Bjørn Kåre Sæbø, Kristin Y. Pettersen, Jan Tommy Gravdahl, Mario Di Castro

分类: cs.RO

发布日期: 2026-05-18

💡 一句话要点

针对腱驱动连续体机器人，提出基于数据的动态建模方法，并应用于模型预测控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 连续体机器人 动态建模 系统辨识 数据驱动 模型预测控制

📋 核心要点

  1. 腱驱动连续体机器人动态建模面临非线性、高维和摩擦等挑战，传统方法难以有效应对。
  2. 论文提出基于N4SID、ARX和SINDYc等数据驱动方法，对机器人进行系统辨识和动态建模。
  3. 实验结果表明，二自由度模型即可准确描述系统动力学，并成功应用于模型预测控制。

📝 摘要（中文）

由于腱驱动连续体机器人具有非线性、高维度和摩擦主导的动力学特性，因此开发其动态模型极具挑战性。本文对数据驱动的系统辨识方法进行了比较研究，包括N4SID、ARX和SINDYc，用于建模CERN开发的具有滚动关节的腱驱动连续体机器人。尽管该机器人具有大量的关节，但实验分析表明，由于关节之间存在很强的运动学依赖性，因此一个二自由度的动态模型可以准确地捕获系统动力学。这些模型通过实验数据进行了验证，并用于模型预测控制器的设计，证明了它们在实时控制中的可行性。

🔬 方法详解

问题定义：论文旨在解决腱驱动连续体机器人动态建模的难题。传统方法难以处理其高度非线性、高维度以及摩擦主导的动力学特性，导致模型精度不足，难以应用于实时控制。

核心思路：论文的核心思路是利用数据驱动的系统辨识方法，直接从实验数据中学习机器人的动态模型。这种方法避免了对机器人复杂物理参数的精确建模，降低了建模难度，并有望提高模型的准确性和鲁棒性。

技术框架：论文采用的整体框架包括数据采集、数据预处理、模型训练和模型验证四个阶段。首先，通过实验采集机器人的输入输出数据。然后，对数据进行预处理，例如滤波和归一化。接着，使用N4SID、ARX和SINDYc等算法训练动态模型。最后，通过实验数据验证模型的准确性，并将其应用于模型预测控制。

关键创新：论文的关键创新在于发现并验证了对于具有大量关节的腱驱动连续体机器人，可以使用低维（二自由度）动态模型来准确描述其动力学行为。这大大简化了模型，降低了计算复杂度，使其更适合实时控制。

关键设计：论文比较了三种不同的数据驱动建模方法：N4SID（一种子空间辨识方法）、ARX（一种线性回归方法）和SINDYc（一种基于稀疏回归的方法）。选择合适的模型结构和参数是关键，例如ARX模型的阶数，SINDYc模型的稀疏度阈值等。此外，损失函数的选择也会影响模型的性能，例如可以使用均方误差或绝对误差等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于数据驱动方法建立的二自由度动态模型能够准确地描述腱驱动连续体机器人的动力学特性。该模型成功应用于模型预测控制，实现了对机器人的精确控制。与传统的基于物理模型的控制方法相比，该方法具有更高的建模效率和更好的控制性能。具体性能数据未知。

🎯 应用场景

该研究成果可应用于医疗机器人、工业检测、航空航天等领域。例如，在微创手术中，连续体机器人可以进入人体狭窄区域进行操作，而精确的动态模型可以提高机器人的控制精度和安全性。此外，该方法还可以用于其他类型的柔性机器人和复杂系统的建模与控制。

📄 摘要（原文）

Developing dynamic models for tendon-driven continuum robots is challenging due to their nonlinear, high-dimensional, and friction-dominated dynamics. This paper presents a comparative study of data-driven system identification methods, including N4SID, ARX, and SINDYc, for modeling a tendon-actuated continuum robot with rolling joints developed at CERN. Despite the high number of joints of the robot, experimental analysis reveals that a two-degree-of-freedom dynamic model can accurately capture the system dynamics, owing to strong kinematic dependencies between the joints. The models are validated against experimental data, and used in the design of a model predictive controller, demonstrating their feasibility for real-time control.