軟體機器人因其固有的柔順性、靈活性和高自由度，在醫療干預、康復和機器人操作等領域引起了廣泛關注。模組化軟體機器人（MSR）由多個相互連線的段組成，是一類具有高度可變形和可重構結構的新型機器人系統，能夠執行復雜任務。然而，由於MSR的非線性動力學、建模複雜性和超冗餘特性，設計其控制器仍具有挑戰性。現有方法通常需要在機器人形態發生變化時從頭開始重新訓練控制器，這不僅耗時且效率低下。
在這項工作中，研究人員提出了一種基於持續學習的控制框架，旨在解決上述挑戰。該框架能夠逐步適應機器人形態的變化，同時保留先前獲取的知識，避免了災難性遺忘問題。具體而言，所提出的框架使控制器能夠依次學習新的MSR配置，而不會遺忘先前學到的配置。此外，對於固定配置的MSR，相同的框架可以以分散式方式用於學習模組特定的動力學，從而實現區域性控制和更高的精度。這種方法不僅提高了控制器的適應性，還降低了重新訓練的計算成本。
為了驗證該方法的有效性，研究人員在模擬中使用了肌腱驅動的軟體機器人進行閉環軌跡跟蹤實驗，並在實際的三模組氣動軟體機械臂上進行了測試。實驗結果表明，該框架在軌跡跟蹤方面表現出色，能夠準確跟隨期望軌跡。此外，研究團隊還透過一個到達實驗展示了框架的適應能力：控制器僅選擇性地啟用必要的模組以到達虛擬目標位置，從而大幅降低了計算開銷。這些實驗充分證明了該框架在模組化軟體機器人自適應控制中的潛力。
這項研究為軟體機器人的自適應控制提供了一種可擴充套件且高效的解決方案，有望推動軟體機器人在醫療、製造和探索等領域的實際應用。未來，研究人員計劃進一步最佳化框架，以應對更復雜的多形態變化場景。