Learning-Based Pressure Predictive Control of a Vertebraic Soft Robotic Tail

📄 arXiv: 2609.30479v1 📥 PDF

作者: Wenjian Yang, Nan Huang, Yukang Nie, Fang Chen, Wanchao Chi, Jiansheng Dai, Sicong Liu

分类: cs.RO

发布日期: 2026-09-24

💡 一句话要点

提出基于LSTM的压力预测控制以优化软体机器人尾巴运动

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软体机器人 运动控制 LSTM 压力预测 四足机器人 逆运动学 正运动学 实时响应

📋 核心要点

  1. 现有的软体机器人运动控制方法在处理非静态运动时面临复杂的运动学建模挑战，导致控制精度不足。
  2. 本文提出的LSTM基于压力预测控制（PPC）方法，通过整合逆运动学、正运动学和压力补偿模型，简化了软体尾巴的运动控制。
  3. 实验结果表明，PPC在执行目标轨迹时，仿真轨迹的平均RMSE降低了69.8%，并且计算时间减少了60.9%，显著提升了实时响应能力。

📝 摘要（中文）

软体机器人因其安全的人机交互和灵活性而受到广泛关注，但其连续结构和非线性材料行为使得运动学建模复杂，尤其是在非静态运动中。本文提出了一种基于LSTM的压力预测控制（PPC）方法，用于脊椎软体机器人尾巴的运动控制及与四足机器人的协调。PPC包括逆运动学（IK）模型、正运动学（FK）模型和压力补偿（P-comp）模型，实现了尾巴的非静态和准静态运动控制。与仅使用IK模型相比，PPC的仿真轨迹平均均方根误差（RMSE）降低了69.8%。在软尾四足机器人的协调运动中，使用预测数据集训练PPC使得下一时刻动作预测得以实现，并减少了60.9%的计算时间，增强了尾巴与四足机器人躯干移动速率的实时响应能力。

🔬 方法详解

问题定义：本文旨在解决脊椎软体机器人尾巴在非静态运动控制中的复杂运动学建模问题，现有方法在动态环境下的控制精度和实时性不足。

核心思路：提出基于LSTM的压力预测控制（PPC）方法，通过结合逆运动学、正运动学和压力补偿模型，提升软体尾巴的运动控制能力，特别是在动态协调运动中。

技术框架：PPC的整体架构包括三个主要模块：逆运动学（IK）模型用于计算目标姿态所需的关节角度，正运动学（FK）模型用于推导尾巴的实际位置，压力补偿（P-comp）模型用于调整气压以实现精确控制。

关键创新：PPC的最大创新在于其结合了LSTM网络进行下一时刻动作预测，从而显著提高了控制的实时性和准确性，相较于传统的IK模型，PPC在动态环境下表现出更优的控制效果。

关键设计：在模型设计中，采用了LSTM网络来处理时间序列数据，损失函数则基于均方根误差（RMSE）进行优化，确保了模型在预测时的准确性和稳定性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，基于PPC的软体尾巴在执行目标轨迹时，平均RMSE降低了69.8%，同时在协调运动中计算时间减少了60.9%。这些结果表明，PPC显著提升了软体机器人的运动控制精度和实时响应能力。

🎯 应用场景

该研究的潜在应用领域包括救援机器人、医疗辅助机器人以及人机协作系统等。通过提升软体机器人的运动控制能力，能够更好地适应复杂环境，增强其与人类及周围环境的交互能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Soft robots have attracted much attention for their safe human-robot interaction and flexibility, but the typical continuum structure and nonlinear material behavior make the kinematics modelling complex, especially in non-static motions. In this work, we proposed an LSTM-based pressure predictive control (PPC) for the motion control of a vertebraic soft robotic tail and the coordination with a quadruped robot. The PPC consists of an inverse kinematics (IK) model, a forward kinematics (FK) model and a pressure compensation (P-comp) model, and achieves non-static and quasi-static motion control of the tail. Compared with the IK-only model, the average RMSE of the PPC's simulation trajectories reduces by 69.8%, when executing target trajectories. In the coordinated motions of the soft tail quadruped, using a prediction data set to train the PPC enables next-moment action prediction and reduces computation time by 60.9%, which enhances the real-time response of the tail to match the quadruped torso's moving rate. The PPC provides a simple and effective method to model the soft tail for both non-static and quasi-static motion control, and grants the soft tail quadruped with the functionality of interacting with the environment.