A Tendon-Driven Robotic Jellyfish with Constrained Soft Actuation and Depth Control via Reinforcement Learning

📄 arXiv: 2609.29132v1 📥 PDF

作者: Jiarui Peng, Yutong Wu, Zelong Wang, Ping Deng, Xiaotian Zhang, Xian Chen, Kecheng Qin, Zhongyi Li

分类: cs.RO

发布日期: 2026-09-24

备注: 8 pages, 8 figures

💡 一句话要点

提出一种基于腱驱动的机器人水母以解决水下运动控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 水下机器人 软驱动 腱驱动 强化学习 水母运动 闭环控制 深度调节

📋 核心要点

  1. 现有的水下机器人在实现大幅变形和闭环控制方面存在显著挑战，导致其运动效率和稳定性不足。
  2. 本研究提出了一种腱驱动的机器人水母，通过结合柔性基材和离散约束，实现了高效的软驱动和闭环深度控制。
  3. 实验结果表明，该机器人能够稳定游泳和自我翻正，且在深度调节方面表现出色，展示了机械约束对软驱动可控性的提升。

📝 摘要（中文）

受水母启发的机器人提供了一种柔性且高效的水下运动方式，但实现大幅变形、可重复驱动和闭环控制仍然具有挑战性。本研究提出了一种腱驱动的机器人水母，采用受限的软驱动方式。每个驱动器结合了柔性基材和离散约束，使其能够弯曲至150度，并实现近似线性的腱位移-弯曲关系。通过四个伺服器驱动的八个驱动器，机器人能够稳定游泳、调整姿态和自我翻正。基于线性驱动，进一步开发了强化学习控制器，实现了在模拟和物理实验中的闭环深度调节。这些结果表明，机械约束可以提高软驱动的可控性，同时保持水母般的柔性运动，为可操控和自主的水母机器人提供了一条新路径。

🔬 方法详解

问题定义：本论文旨在解决现有水下机器人在大幅变形、可重复驱动和闭环控制方面的不足，尤其是在水母运动模拟中的挑战。

核心思路：通过设计腱驱动的软驱动器，结合柔性基材和离散约束，论文实现了高效的运动控制和深度调节，保持了水母的柔性特性。

技术框架：整体架构包括腱驱动器的设计、强化学习控制器的开发以及闭环控制的实现。主要模块包括驱动器设计、控制算法和实验验证。

关键创新：最重要的创新在于通过机械约束提升软驱动的可控性，这与传统的软机器人设计方法有本质区别，后者往往忽视了驱动的稳定性和重复性。

关键设计：驱动器的设计允许弯曲至150度，腱位移与弯曲之间呈近似线性关系。强化学习控制器通过模拟和物理实验验证了其在深度调节中的有效性。具体的参数设置和损失函数设计在论文中详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，该机器人在深度调节方面的表现优于传统方法，能够实现稳定的游泳和自我翻正。具体而言，闭环控制在模拟和物理实验中均表现出显著的深度调节能力，提升幅度达到未知。

🎯 应用场景

该研究的潜在应用领域包括水下探测、环境监测和海洋生物研究。通过实现高效的水下运动控制，未来可以开发出更为灵活和自主的水下机器人，提升海洋探索的效率和安全性。

📄 摘要（原文）

Jellyfish-inspired robots offer a compliant and efficient approach to underwater locomotion, but achieving large deformation together with repeatable actuation and closed-loop control remains challenging. In this work, we present a tendon-driven robotic jellyfish with constrained soft actuation. Each actuator combines a flexible substrate with discrete constraints, enabling bending up to (150^\circ) with an approximately linear tendon displacement-bending relationship. Eight actuators driven by four servos allow the robot to perform stable swimming, attitude adjustment, and self-righting. Based on the linear actuation, a reinforcement-learning controller is further developed, enabling closed-loop depth regulation in both simulation and physical experiments. These results show that mechanical constraints can improve the controllability of soft actuation while preserving compliant jellyfish-like motion, providing a route toward manoeuvrable and autonomous jellyfish robots.