面向精确连续体机器人运动的机器学习与实验验证

《Franklin Open》：Machine learning for precise continuum robot motion with experimental validation

　　

解决多段连续体机器人的逆运动学问题充满挑战，由于结构冗余，通常导致数据驱动模型产生冲突的训练标签。本研究提出一种新颖的离散解析框架，通过建立末端执行器位置与缆绳长度之间的双射（bijective）确定性映射，解决了这一“自运动流形”（self-motion manifold）问题。利用这一几何一致的数据集（N≈5000样本），研究人员评估并比较了三种基于学习的架构：深度神经网络（Deep Neural Networks, DNN）、隐式神经表示（Implicit Neural Representations, INP）和高斯过程回归（Gaussian Process Regression, GPR）。为确保严格公平的比较评估，所有模型均进行严谨的5折交叉验证和等效超参数调优，神经基线模型在30次独立运行中评估以考虑初始化随机性。通过仿真和在仿生连续体机械手上的真实世界实验对模型进行验证。定量分析揭示了清晰的性能层次：GPR模型实现了最高精度，具有最低的均方根误差（Root Mean Square Error, RMSE: 0.0545–0.0600mm），显著优于DNN（RMSE: 0.0777–0.0849mm）和INP模型（RMSE: 1.0095–1.3135mm）。此外，对实时控制实用指标的分析表明，GPR通过数学嵌入连续弹性力学，展现出对测量噪声的优异鲁棒性。关键的是，在闭环控制所需的单样本评估中，GPR实现了0.2ms的超低推理延迟，与高度可扩展的DNN的计算效率相当。这些结果证实，GPR在跟踪保真度和鲁棒性方面均超越DNN和INP，且不牺牲实时响应能力，将其确定为实现连续体机器人系统高保真控制的最优策略。

## 论文解读：基于机器学习的连续体机器人精确运动控制与实验验证

### 研究背景与问题提出

连续体机器人因其柔性变形能力，在受限或复杂环境中执行精细任务方面具有显著优势。然而，其多段结构带来的运动学冗余（即“自运动流形”问题）导致末端执行器位姿与驱动输入之间呈现多对一映射，使得数据驱动逆运动学模型极易产生冲突标签，严重制约了学习精度与控制稳定性。现有解析方法通常局限于单段构型或采用线性化常曲率近似，难以直接推广至多段系统；而基于优化的方法计算成本随段数增加，限制了实时应用。因此，亟需一种既能消除冗余歧义、又能适应多段结构的逆运动学建模策略，为后续机器学习模型提供干净、一致的训练数据。

### 研究目标与结论

针对上述问题，研究人员提出了一种离散解析框架，通过将多段连续体机器人的几何结构离散化为间隔盘微变换，建立了末端执行器位置与缆绳长度之间的双射（bijective）确定性映射，从而彻底解决了“自运动流形”导致的标签冲突。基于此生成的一致性数据集（N≈5000），系统比较了三种学习架构：深度神经网络（DNN）、隐式神经表示（INP）和高斯过程回归（GPR）。通过仿真与真实实验验证，定量分析表明GPR模型在所有评价指标上均表现最优——其均方根误差（RMSE）仅为0.0545–0.0600mm，显著低于DNN（0.0777–0.0849mm）和INP（1.0095–1.3135mm）。更关键的是，在闭环控制所需的单样本推理中，GPR的延迟仅为0.2ms，与DNN相当，且其对测量噪声的鲁棒性因内嵌连续弹性力学先验而优于另外两种模型。该研究证实GPR是权衡精度、鲁棒性与实时性的最优策略，为连续体机器人的高保真控制提供了可行方案。该论文发表在《Franklin Open》。

### 主要技术方法（不超过250字）

研究人员采用了基于常曲率（PCC）假设的离散几何框架，通过递归微变换将多段连续体机器人建模为间隔盘序列，从而导出末端执行器位置与各缆绳长度之间的双射映射关系，生成N≈5000个样本的几何一致数据集。建模了三种学习架构：深度神经网络（DNN）采用3隐藏层各64神经元及ReLU激活函数，经Adam优化器与网格搜索调参；隐式神经表示（INP）使用傅里叶特征嵌入（尺度σ=10）并训练1000轮；高斯过程回归（GPR）采用平方指数核，通过对数边际似然（LML）最大化优化超参数（信号方差σ_f²=1.0，噪声方差σ_n²=1×10^-4）。所有模型经严格的5折交叉验证，神经模型在30次独立运行中评估以平滑初始化随机性。实验验证在Robotino?XT仿生连续体机械手上进行，使用KUKA工业机械臂提供高精度地面真值（采样频率50Hz，电位计分辨率0.01mm）。

### 研究结果

#### 3. Evaluation of learning-based models for inverse kinematics of cable-driven robots

通过圆轨迹测试（半径40mm，高度30mm，Z方向480+30mm正弦变化）评估三种模型的泛化性能。结果表明：GPR获得了最小的均方误差（RMSE=0.0021mm，MAE为0.0001–0.0059mm），DNN次之（RMSE=0.21mm，MAE 0.1257–0.2449mm），而INP误差最大（RMSE=1.41mm，MAE 0.7338–2.5397mm）。沿X、Y、Z轴的误差分析也验证了GPR最高精度的结论。

#### 4. Experimental validation On Robotino? XT

4.1 Measurement uncertainty budget and model precision validation
建立了测量不确定度预算：绝对位置综合不确定度约为±0.27mm，但相对重复性限为±0.031mm（由KUKA重复性±0.03mm与电位计分辨率±0.01mm合成）。由于训练数据直接映射到KUKA传感器坐标框架，绝对偏移作为恒定偏置被模型吸收，因此实际精度极限受相对重复性限制。GPR的0.0545mm误差大于该重复性限，说明其精度物理可信。

4.2 Performance comparison of GPR, DNN, and INP models for cable length prediction

4.2.1 Fairness of comparison, dataset split, and tuning effort
在确保公平的比较下（5折交叉验证、等效超参数调优、神经基线30次独立运行），GPR再次取得最低平均RMSE（0.0545mm，标准差±0.002mm），DNN（0.0777mm，±0.005mm）次之，INP（0.0912mm，±0.008mm）最差。峰值绝对误差分析显示：GPR典型峰值≤0.5mm，DNN约1.5–2.5mm，INP可达3.0–5.0mm以上。

4.2.2 Practical metrics for real-time control
计算基准测试表明：GPR在单样本查询（闭环控制典型场景）中的推理延迟仅为0.2ms，与DNN相同，完全满足高频控制需求。GPR通过核函数内嵌的平滑先验使其对测量噪声（约0.15mm RMS）表现出最佳鲁棒性，而INP因频谱偏差易过度拟合局部噪声，DNN缺乏几何先验导致泛化较弱。

### 讨论与结论

讨论部分指出，GPR的优越性不仅源于经验表现，更在于其架构内在禀性——通过核函数强制平滑性，与连续弹性体低频率变形的物理本质一致。而INP的隐式表示在处理耦合的多输出（6缆绳）任务时容易出现频谱混叠，DNN则在无先验约束下面临过拟合风险。结论部分翻译如下：本研究通过提出基于缆绳长度与末端执行器位置的离散构型表示法，有效解决了多段连续体机器人的逆运动学冗余问题，生成了几何一致的数据集。基于该框架，研究人员对三种学习架构（DNN、INP、GPR）进行了严谨对比，并通过仿真与实验验证。定量评价建立了清晰的性能层次：优化后的GPR模型在全部驱动缆绳上实现了最低的跟踪误差（RMSE: 0.0545–0.0600mm），DNN提供中等精度（0.0777–0.0849mm），而INP因误差较大（1.0095–1.3135mm）证明不适用于该项任务。计算压力测试揭示了可扩展性与精度之间的关键权衡：尽管DNN在大批量处理中具有更高吞吐量，但在闭环反馈相关的单样本查询中，GPR与DNN的延迟相当（约0.2ms）。这表明GPR基于核的归纳偏差天然更适合建模连续体骨架平滑、低频的变形行为，优于INP的频谱偏差脆弱结构和DNN的通用近似方式。这些发现验证了所提出的学习框架作为传统解析方法的有力替代方案，能够实现复杂软体机器人系统的精确与响应控制。