用於腱驅動連續機器人設計空間代理建模的神經運算元
提出將腱驅動連續機器人的代理建模視為運算元學習問題，對映設計引數和肌腱驅動輸入至構型。開發了四種神經運算元架構（基於DeepONet和FNO），在模擬資料上訓練，實現了跨設計的快速準確泛化。研究成果為手術和工業應用中的控制、規劃和設計最佳化提供了高效可泛化的代理模型。
近日，一篇提交至ICRA 2026的論文提出了一種利用神經運算元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，即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，難以用於即時控制，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，現有的基於資料驅動的方法，如神經網路，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，這意味著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運算元學習問題。具體來說，模型將機器人的設計引數（如節段長度、直徑、剛度）和肌腱驅動力作為輸入，直接對映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運算元架構：兩種基於深度運算元網路（DeepONets）和兩種基於傅立葉神經運算元（FNOs）。DeepONet透過學習線性基函式來表示運算元，而FNO透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引數組合生成的模擬資料集上進行訓練。
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，證明了運算元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模擬和控制提供了高效工具，還為設計最佳化開闢了新途徑。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參數，並透過代理模型即時評估效能，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，相關程式碼和資料可能透過arXiv提供。