针对任意尖端加载和重力下基于Cosserat杆的连续机器人的无约束三维静态建模的数据高效物理信息学习

《Results in Engineering》：Data-Efficient Physics-Informed Learning for Unconstrained 3D Static Modeling of Cosserat Rod-Based Continuum Robots under Arbitrary Tip Loading and Gravity

　　

连续机器人因其高度可变形结构表现出复杂行为，这使得精确建模特别具有挑战性。研究人员提出了一种基于Cosserat杆理论的物理信息神经网络（PINN）框架，用于快速且精确地建模连续机器人的静态行为。该方法通过将控制平衡方程、分布重力载荷以及本构关系直接嵌入训练损失中，学习完整的杆三维构型。该框架的一个关键优势是，在考虑杆自身重量的同时，能够预测任意空间尖端加载（尖端处的组合力和力矩）下的完整状态，包括位置、方向、内力和内力矩。与许多先前的工作（通常局限于平面变形或常曲率假设）不同，该方法精确地捕捉了复杂的、无约束的三维构型。使用由200个仿真生成的加载案例组成的数据集，研究人员在未见过的测试场景上验证了模型。PINN达到了平均尖端位置误差为机器人长度的0.59%，同时推理速度比传统数值求解器快约130倍。这些结果表明，物理信息学习为连续机器人建模提供了精确性与计算效率之间引人注目的权衡。

**研究背景与问题**

连续机器人因其高度柔性的骨架结构而具有无限自由度，在微创手术、工业检测和搜救等领域有广泛应用。然而，其精确建模面临巨大挑战：传统分段常曲率（PCC）模型假设弯曲为恒定圆弧，在重力或外部接触载荷下会严重偏离真实变形；而基于Cosserat杆理论的几何精确模型虽能描述弯曲、扭转、剪切和伸长等复杂行为，但求解其偏微分方程组（PDEs）计算成本极高，难以用于实时控制或路径规划。因此，需在模型精度与计算效率之间寻求平衡。

**研究内容与意义**

研究人员提出一种基于物理信息神经网络（PINN）的框架，用于快速且精确地建模基于Cosserat杆的连续机器人的无约束三维静态构型。通过将控制平衡方程（包括分布重力载荷）直接嵌入训练损失，该模型在仅使用200个仿真样本的数据集下，实现了平均尖端位置误差0.59%的高精度，且推理速度比传统数值求解器快约130倍。该工作克服了传统方法局限于平面或常曲率假设的不足，能够预测包含变曲率、扭转和伸长的完全三维空间变形。论文发表在《Results in Engineering》，为实时控制和高保真度仿真提供了可行方案。

**关键技术方法**

研究人员采用以下关键技术方法：1）基于Cosserat杆理论建立静态平衡方程，包括线弹性本构关系（剪切-伸长刚度矩阵K_se和弯曲-扭转刚度矩阵K_bt）以及分布重力载荷f=ρAg；2）构建全连接前馈神经网络，输入为弧长s和尖端载荷（力n_L、力矩m_L），输出为状态变量（位置p、旋转向量u?、内力n、内力矩m）；3）通过Rodrigues旋转公式将预测的旋转向量u?映射到SO(3)群上的旋转矩阵R，确保几何一致性；4）设计复合损失函数L_total，包含数据损失L_data（匹配仿真数据）、物理损失L_phys（强制满足控制方程残差）和边界条件损失L_bc（固定端和自由端约束）；5）采用混合优化策略（Adam初始训练+L-BFGS精细调整）。样本数据来源：使用MATLAB求解器对长为0.04 m、半径为0.001 m的镍钛诺（NiTi）材料悬臂梁进行仿真，生成200个不同尖端载荷组合的仿真数据集。

**研究结果**

**4.1 收敛性分析**
通过混合优化策略，总损失函数L_total在Adam阶段快速下降数个数量级，随后L-BFGS将最终损失从约10^-1降至约3×10^-3（5000个训练周期）。数据损失、物理损失和边界条件损失同步收敛，表明网络成功内化了Cosserat杆控制方程，未出现过拟合，测试损失始终在训练损失的5%以内。

**4.2 未见测试案例的定量评估**
在约85个未见测试案例（占30%）上，模型对状态变量（p, R, n, m）的预测具有高保真度。平均尖端位置误差为0.59%（最大0.97%），其中z分量误差略高（平均值0.31%），归因于悬臂梁的x-y平面主变形和z方向运动学约束引起的数值耦合。与数值求解器（MATLAB fsolve，误差<10^-6%，耗时234 ms）相比，PINN推理时间仅1.8±0.2 ms，加速约130倍。与仅使用数据损失的标准人工神经网络（ANN）对比：PINN在200个样本下平均误差0.59%，优于ANN在500个样本下的1.56%，验证了物理信息正则化的数据高效性。

**4.3 定性分析与状态变量预测**
通过可视化对比，PINN预测的杆件三维形状与数值仿真结果几乎完全重叠，包括螺旋形和复杂弯曲构型。在极端组合载荷（尖端力[1.67, 3.33, 3.33] N，力矩[5, 1.67, 5] N·m）下，预测轨迹与真实轨迹不可区分，证实了模型在非平面大变形下的精度。

**总结与讨论**

研究结论指出，该PINN框架通过嵌入Cosserat杆控制方程，实现了对无约束三维连续机器人构型的快速精确建模。其关键优势在于：1）利用Rodrigues旋转公式严格保证几何一致性；2）混合优化策略提高了收敛精度；3）物理信息损失作为正则化器，使模型在仅200个样本下优于500个样本的纯数据驱动ANN，展现出极高的数据效率。该框架独立于具体驱动机制（腱驱动、流体驱动或磁驱动），适用于多种实际应用，尤其是微创手术中需要高精度三维空间导航和实时力反馈的场景。局限性包括：当前模型仅考虑重力分布载荷，忽略流体阻力或磁力等；材料模型为线性弹性，未扩展到超弹性或粘弹性；边界条件假设完美固定端和自由端，未考虑基座柔顺性；验证仅基于仿真，尚需物理实验验证。未来工作将集成实验数据以适应未建模动态，并扩展至动态建模和实时控制。**翻译研究结论部分**：在本论文中，研究人员提出了一种基于Cosserat杆理论的物理信息神经网络（PINN）框架，用于快速且精确地建模连续机器人的无约束三维静态构型。通过将控制平衡方程（包括分布重力载荷）直接嵌入训练损失，该模型成功捕捉了施加尖端载荷与完整三维机器人构型之间的非线性关系。该方法的一个主要优势是独立于特定驱动机制；由于该框架基于广义边界载荷求解形状，它本质上适用于多种驱动方式，只要驱动能抽象为等效力和力矩。验证结果确认了该框架的高保真度，平均末端执行器误差仅为机器人长度的0.59%。关键在于，该模型克服了简化平面或常曲率假设的局限性，展示了精确预测复杂非平面空间变形（如螺旋形和S形曲线）的能力，其精度与常规数值求解器相当，但计算成本仅为后者的一小部分。此外，结果突出了物理信息方法固有的数据高效性：所提出的PINN模型在仅200个样本的稀疏数据集上训练时，在测试案例中始终实现更低的误差率，显著优于在500个样本更大数据集上训练的纯数据驱动人工神经网络（ANN）。这证明嵌入物理知识作为有效的正则化器，使网络能够从有限训练数据中更准确地泛化。