用于腱驱动连续机器人设计空间代理建模的神经算子
提出将腱驱动连续机器人的代理建模视为算子学习问题，映射设计参数和肌腱驱动输入至构型。开发了四种神经算子架构（基于DeepONet和FNO），在模拟数据上训练，实现了跨设计的快速准确泛化。研究成果为手术和工业应用中的控制、规划和设计优化提供了高效可泛化的代理模型。
近日，一篇提交至ICRA 2026的论文提出了一种利用神经算子对腱驱动连续机器人进行设计空间代理建模的新方法。连续机器人因其在受限环境中的灵巧操作能力而备受关注，例如在微创手术、工业检查以及灾难救援等场景中，它们能够弯曲和伸展以绕过障碍物。然而，实时操作和控制这些机器人需要精确且高效的模型。传统的基于物理的模型，如有限元分析或梁理论，虽然准确，但计算成本高，难以用于实时控制，并且可能因为忽略摩擦、材料非线性等未建模效应而产生误差。另一方面，现有的基于数据驱动的方法，如神经网络，通常在训练针对特定机器人后，很难泛化到不同设计的机器人，这意味着每次设计变更都需要重新训练模型。
该研究的关键创新在于将腱驱动连续机器人的代理建模形式化为一个算子学习问题。具体来说，模型将机器人的设计参数（如节段长度、直径、刚度）和肌腱驱动力作为输入，直接映射到机器人最终的构型（形状和位置）。这种形式化使得单一训练模型能够泛化到一大类机器人设计，而无需针对每个设计重新训练。研究团队开发了四种新颖的神经算子架构：两种基于深度算子网络（DeepONets）和两种基于傅里叶神经算子（FNOs）。DeepONet通过学习线性基函数来表示算子，而FNO通过在频域中进行卷积来捕捉复杂模式。这些模型在由多种机器人设计参数组合生成的模拟数据集上进行训练。
实验结果表明，所有四种架构在预测机器人构型方面都取得了良好的精度，并且能够在毫秒级内完成预测，远快于传统物理模型。更重要的是，它们能够准确泛化到训练中未见过的新设计，证明了算子学习方法在机器人设计空间中的有效性。这项工作不仅为连续机器人的仿真和控制提供了高效工具，还为设计优化开辟了新途径。例如，在手术机器人设计中，医生可以根据患者解剖结构快速调整机器人参数，并通过代理模型实时评估性能，从而加速定制化设计。论文作者包括Branden Frieden等四位研究人员，论文已被ICRA 2026接收，相关代码和数据可能通过arXiv提供。