受人类启发的用于动态运动适应的感觉运动控制器：机械臂研究

《Frontiers in Neurorobotics》：Human-inspired sensorimotor controller for dynamic motion adaptation: a study in robotic arms

　　

在动态环境中运行的机器人系统往往难以在不依赖显式解析模型或传统位置跟踪控制方案的情况下，根据外部感官信号调整自身运动。这一问题在系统动力学详细模型或位置反馈受限、不可靠的场景中尤为突出。为解决该缺陷，需要一种能够像人类感觉运动系统那样，无需精确的系统动力学模型即可从经验中学习并泛化的控制架构。研究人员提出了一种基于感觉运动学习的受人类启发控制器，用于关节型机械臂。该方法摒弃了依赖精确动力学模型的传统控制策略，强调对动态任务和外部刺激的适应能力，同时考虑重力与系统动力学特性。控制器运行分为两个阶段：离线探索阶段构建采样初始状态与执行器电流指令下的系统响应离散数据库；在线利用阶段通过将当前状态匹配至最接近的探索状态，并采用概率指令选择规则确定控制动作。该方法不依赖显式解析动力学模型，而是利用从系统自身行为中学习到的经验性状态—动作—响应关系。在利用阶段，当前关节位置与速度用于识别最接近的探索状态，而指令选择则基于探索阶段学习到的速度响应分布。研究人员在正弦与梯形等多种动态轨迹上对控制器进行了评估，验证了该框架在2自由度RR机械臂上的可行性。进一步分析探究了控制时间参数的影响、执行器摩擦的作用，以及在重新探索后控制器在修改后的机械配置上的可重新部署性。这些结果凸显了生物启发学习机制在数据驱动机器人控制中的潜力，同时也揭示了与离散化、可扩展性及未来在线适应相关的局限性。

该研究发表于《Frontiers in Neurorobotics》，针对动态环境下机器人依赖精确动力学模型与传统位置跟踪控制的局限，以及现有计算模型在真实物理系统中实现难度大的问题，提出了一种受人类感觉运动机制启发的仿生控制框架，旨在提升机械臂在模型不确定场景下的动态适应能力。研究人员设计了包含离线探索与在线利用两阶段的控制器：离线阶段通过离散采样构建状态—动作—响应经验数据库，在线阶段基于最近邻匹配与概率最大后验规则选择执行器电流指令。研究在2自由度RR机械臂仿真平台上验证了该框架对正弦、梯形等多种动态轨迹的跟踪性能，分析了控制时间参数、执行器摩擦及串联弹簧对控制效果的影响，并验证了系统在机械参数修改后经重新探索的可部署性。结果表明，该控制器无需显式动力学模型即可实现动态运动适应，对特定频率的运动表现更优，其性能受观测时间与控制步长显著影响，且低摩擦系统与串联弹性驱动（Series Elastic Actuation, SEA）配置需针对性调整参数。该框架为模型精度难以保证的真实场景提供了数据驱动的自适应控制基础，未来可通过在线数据库更新、插值策略等进一步提升性能。

作者采用的关键技术方法包括：基于Simscape Multibody的2自由度RR机械臂仿真建模，采用ode1be（反向欧拉）求解器适配分段恒定电流输入；离散化探索策略，对初始关节位置、速度及执行器电流进行网格采样，构建经验数据库；在线利用阶段的最近邻状态匹配与基于贝叶斯规则的概率指令选择；几何全局误差（Geometric Global Error, GGE）作为性能指标，综合评估位置与速度的均方根误差。

研究结果如下：

3.1 动态适应性能

3.1.1 正弦轨迹：控制器对振幅30°/s、频率0.5 Hz的正弦运动实现GGE为0.0152的有效跟踪，速度跟踪误差为主要贡献项。频率与振幅分析显示，低振幅与极低/极高频率下GGE略有上升，控制器对特定频率表现出偏好，这与系统固有动力学特性一致。

3.1.2 梯形速度剖面轨迹：控制器在维持恒定速度阶段表现略逊于变速度阶段，GGE为0.0417，位置累积误差为主要来源，反映了控制器侧重反应速度而非稳态稳定性的特性。

3.2 时间参数的影响：观测时间（t_obs）与控制步长（t_imp）均需在较低水平且t_imp小于t_obs以保证性能；过小t_obs在低摩擦或恒定速度场景中反而因指令突变导致不稳定。

3.3 机械系统参数的影响

3.3.1 执行器摩擦：高摩擦（HF）执行器抑制自然动力学利用，低摩擦（LF）执行器可实现无动力下的持续运动；更换为LF执行器并经重新探索后，最优t_obs与t_imp增大，惯性效应影响更显著，整体跟踪精度略有下降。

3.3.2 弹簧实现：引入串联弹性驱动（SEA）后，控制器仍可有效工作，但本研究中未观察到显著的能耗降低，这与轨迹平滑、惯性转矩占比小及弹簧刚度未针对特定轨迹设计有关。

讨论部分指出，该控制器基于速度观察的设计符合人类节律适应的生物特性，但忽略初始加速度的探索简化会限制低摩擦系统的精度；离散化探索面临维度灾难，未来可通过插值、在线数据库更新等方式优化。研究结论表明，该受人类启发的感觉运动控制框架无需显式动力学模型即可在2自由度RR机械臂上实现动态运动适应，其性能受机械参数与时间参数共同影响，经重新探索后可部署于修改后的系统，为模型不确定场景下的自适应控制提供了可行路径，未来扩展需解决高维系统可扩展性与在线适应问题。