模块化软体机器人自适应控制的持续学习框架

软体机器人因其固有的柔顺性、灵活性和高自由度，在医疗干预、康复和机器人操作等领域引起了广泛关注。模块化软体机器人（MSR）由多个相互连接的段组成，是一类具有高度可变形和可重构结构的新型机器人系统，能够执行复杂任务。然而，由于MSR的非线性动力学、建模复杂性和超冗余特性，设计其控制器仍具有挑战性。现有方法通常需要在机器人形态发生变化时从头开始重新训练控制器，这不仅耗时且效率低下。

在这项工作中，研究人员提出了一种基于持续学习的控制框架，旨在解决上述挑战。该框架能够逐步适应机器人形态的变化，同时保留先前获取的知识，避免了灾难性遗忘问题。具体而言，所提出的框架使控制器能够依次学习新的MSR配置，而不会遗忘先前学到的配置。此外，对于固定配置的MSR，相同的框架可以以分布式方式用于学习模块特定的动力学，从而实现局部控制和更高的精度。这种方法不仅提高了控制器的适应性，还降低了重新训练的计算成本。

为了验证该方法的有效性，研究人员在仿真中使用了肌腱驱动的软体机器人进行闭环轨迹跟踪实验，并在实际的三模块气动软体机械臂上进行了测试。实验结果表明，该框架在轨迹跟踪方面表现出色，能够准确跟随期望轨迹。此外，研究团队还通过一个到达实验展示了框架的适应能力：控制器仅选择性地激活必要的模块以到达虚拟目标位置，从而大幅降低了计算开销。这些实验充分证明了该框架在模块化软体机器人自适应控制中的潜力。

这项研究为软体机器人的自适应控制提供了一种可扩展且高效的解决方案，有望推动软体机器人在医疗、制造和探索等领域的实际应用。未来，研究人员计划进一步优化框架，以应对更复杂的多形态变化场景。