模块化折纸机械臂的智能重构：面向机器学习与机器人感知的自适应物理计算新范式

本文创新性地将模块化折纸机械臂重构为自适应物理储备池计算机（Physical Reservoir Computing, PRC），系统揭示了机械构型与计算性能的关联机制。研究表明，通过调节模块刚度与激励条件可优化储备池动力学，其频谱相关性（PSI）和空间相关性直接决定了非线性时间序列仿真（如NARMA任务）与感知能力（如负载重量与姿态识别）的效能。该研究为软体机器人、功能材料及自适应系统的嵌入式智能（Embodied Intelligence）提供了可量化的设计框架。

　　

1 引言

近年来， embodied physical computing（嵌入式物理计算）的兴起为在功能材料和机器人机械域中直接执行智能任务提供了新范式，减少了对传统CMOS计算机的依赖。物理储备池计算（PRC）作为其中一种低功耗、高并行性的模拟计算策略，通过利用物理系统的动态响应执行机器学习任务，已在机械、电学、磁学、光子和生物系统中得到验证。然而，物理设计与计算性能间的关联机制尚未系统阐明，制约了物理计算效能的优化与应用拓展。

本研究通过将折纸启发的模块化机器人操纵器重构为自适应物理储备池，系统评估了其在不同物理配置、输入设置和计算任务下的计算容量，旨在揭示机械设计对物理计算性能的影响规律。

2 自适应计算核的构建与任务设计

2.1 折纸启发多稳态模块的制备

研究采用3D打印技术制备基于吉村图案（Yoshimura pattern）的双稳态折纸面板，通过TPU（热塑性聚氨酯）和尼龙材料的复合打印实现可控刚度。每个模块由两个PLA基板和三组折纸面板构成，通过热退火与弹簧预压实现[0]（柔性）和[1]（刚性）两种稳态。模块组装后具备八种可重构状态，其中[000]和[111]状态的纵向刚度比为4.00±0.15（图2c）。

2.2 计算任务框架

研究设计了三类任务（图3）：

• •

  任务（I）：NARMA（归一化自回归移动平均）非线性时间序列仿真任务，用于评估基础计算容量；

• •

  任务（II）：末端负载重量感知任务，测试信息提取能力；

• •

  任务（III）：集成形状记忆合金（SMA）驱动的多任务操作，包括输入命令重建、负载分类与姿态识别。

物理储备池的输出通过节点位移的线性加权和实现：O(t) = w₀ + ∑w_is_i(t)，其中仅读出面权重需训练。

3 结果与发现

3.1 任务（I）：时间序列仿真的物理核自适应优化

通过调节模块数量（C₁-C₅）和基础激励幅度（A₁-A₃），发现：

• •

  较高激励幅度（A₃）可激发更强非线性动力学，显著提升NARMA10-20等高阶任务性能；

• •

  峰值相似性指数（PSI）可量化储备池输出与目标频谱的匹配度（图4b），与归一化均方误差（NMSE）呈强负相关；

• •

  无普适最优构型，例如C₅在低激励下表现优异，而高激励下最优构型随任务复杂度动态变化（图5d）。

结果表明：折纸结构的几何非线性（而非材料软硬度）是产生丰富动力学的关键，且自适应重构能力对应对多样化任务至关重要。

3.2 任务（II）：最小训练数据下的负载感知

通过分析节点位移的空间相关性（图6b）发现：

• •

  当输入频率超过结构固有频率时（C₅＞4Hz，C₆＞8Hz），节点间相关性显著降低，动力学多样性增强；

• •

  低空间相关性条件下，仅需两组负载数据（如0g与170g）训练读出面即可实现高精度重量估计（误差＜10%）；

• •

  高空间相关性时需全数据集训练，效率低下。

该发现为减少物理计算中的训练数据需求提供了可行路径。

3.3 任务（III）：SMA驱动的机器人多任务处理

通过替换被动弹簧为SMA线圈，构建了具备致动与感知能力的机器人操纵器（图7a）：

• •

  输入命令重建：高阶激励（Ω₇=0.67Hz）与不对称刚度构型（C₈=[010]）可提升PWM信号重建精度；

• •

  负载识别：柔性构型（C₇=[000]）与低频激励（Ω₆=0.33Hz）更利于重量与姿态分类（误差＜5%）；

• •

  多任务并行：同一动力学数据可同时支持命令重建、负载重量与锤体方向识别（图7f）。

研究揭示了任务特性与物理配置的权衡关系：时间仿真需高刚度与高频激励，而感知任务需柔性构型与丰富动力学。

4 讨论与结论

本研究通过折纸模块化机械臂的重构，证明了物理计算在软体机器人中的实用性与适应性。关键发现包括：

1. 1.

   物理自适应（模块重构）与输入控制（激励调节）的结合可优化储备池动力学；

2. 2.

   PSI与空间相关性可作为普适性指标指导物理计算机设计；

3. 3.

   低空间相关性可降低训练数据需求，推动在线实时计算发展。

该框架可拓展至生物启发材料、 prosthetic devices（假肢设备）与自适应软机器人系统，为嵌入式智能的实现提供了理论与实践基础。