用於腱驅動連續機器人設計空間代理建模的神經算子

近日，一篇提交至ICRA 2026的論文提出了一種利用神經算子對腱驅動連續機器人進行設計空間代理建模的新方法。連續機器人因其在受限環境中的靈巧操作能力而備受關注，例如在微創手術、工業檢查以及災難救援等場景中，它們能夠彎曲和伸展以繞過障礙物。然而，實時操作和控制這些機器人需要精確且高效的模型。傳統的基於物理的模型，如有限元分析或梁理論，雖然準確，但計算成本高，難以用於實時控制，並且可能因為忽略摩擦、材料非線性等未建模效應而產生誤差。另一方面，現有的基於數據驅動的方法，如神經網絡，通常在訓練針對特定機器人後，很難泛化到不同設計的機器人，這意味着每次設計變更都需要重新訓練模型。

該研究的關鍵創新在於將腱驅動連續機器人的代理建模形式化為一個算子學習問題。具體來説，模型將機器人的設計參數（如節段長度、直徑、剛度）和肌腱驅動力作為輸入，直接映射到機器人最終的構型（形狀和位置）。這種形式化使得單一訓練模型能夠泛化到一大類機器人設計，而無需針對每個設計重新訓練。研究團隊開發了四種新穎的神經算子架構：兩種基於深度算子網絡（DeepONets）和兩種基於傅里葉神經算子（FNOs）。DeepONet通過學習線性基函數來表示算子，而FNO通過在頻域中進行卷積來捕捉複雜模式。這些模型在由多種機器人設計參數組合生成的模擬數據集上進行訓練。

實驗結果表明，所有四種架構在預測機器人構型方面都取得了良好的精度，並且能夠在毫秒級內完成預測，遠快於傳統物理模型。更重要的是，它們能夠準確泛化到訓練中未見過的新設計，證明了算子學習方法在機器人設計空間中的有效性。這項工作不僅為連續機器人的仿真和控制提供了高效工具，還為設計優化開闢了新途徑。例如，在手術機器人設計中，醫生可以根據患者解剖結構快速調整機器人蔘數，並通過代理模型實時評估性能，從而加速定製化設計。論文作者包括Branden Frieden等四位研究人員，論文已被ICRA 2026接收，相關代碼和數據可能通過arXiv提供。