Adaptive Model-Predictive Control of a Soft Continuum Robot Using a Physics-Informed Neural Network Based on Cosserat Rod Theory

📄 arXiv: 2508.12681 📥 PDF

作者: Johann Licher, Max Bartholdt, Henrik Krauss, Tim-Lukas Habich, Thomas Seel, Moritz Schappler

分类: cs.RO, cs.LG, eess.SY

发布日期: 2026-06-12

💡 一句话要点

提出基于物理信息神经网络的软连续机器人自适应模型预测控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软连续机器人 模型预测控制 物理信息神经网络 动态控制 无迹卡尔曼滤波器 Cosserat杆理论 实时控制

📋 核心要点

  1. 现有的软连续机器人动态控制方法计算需求高，缺乏适应性，无法重建完整形状，限制了应用。
  2. 本文提出了一种基于DD-PINN的实时非线性MPC框架，能够适应弯曲刚度并加速动态模型计算。
  3. 仿真和实际实验中，控制器实现了低于3 mm的末端位置误差和高达3.55 m/s²的加速度，表现出色。

📝 摘要（中文）

软连续机器人的动态控制具有广泛的应用潜力，但由于准确动态模型的高计算需求，仍然是一个具有挑战性的问题。尽管已有基于数据驱动的方法提出，但通常缺乏适应性，且无法重建完整的机器人形状，限制了其适用性。本文提出了一种基于域解耦物理信息神经网络（DD-PINN）的实时非线性模型预测控制（MPC）框架，能够适应弯曲刚度。DD-PINN作为动态Cosserat杆模型的替代，速度提升因子可达44,000，并在无迹卡尔曼滤波器中用于从末端执行器位置测量中估计模型状态和弯曲顺应性。我们在GPU上实现了以70 Hz运行的非线性进化MPC，仿真中实现了动态轨迹的准确跟踪和设定点控制，末端执行器位置误差低于3 mm（占执行器长度的2.3%）。在实际实验中，控制器实现了类似的精度和高达3.55 m/s²的加速度。

🔬 方法详解

问题定义：本文旨在解决软连续机器人动态控制中的高计算需求和缺乏适应性的问题。现有的数据驱动方法如Koopman算子方法，通常无法重建完整的机器人形状，限制了其应用场景。

核心思路：论文提出的解决方案是基于域解耦物理信息神经网络（DD-PINN），该网络能够快速计算动态Cosserat杆模型，并适应不同的弯曲刚度，从而提高控制的实时性和准确性。

技术框架：整体架构包括DD-PINN作为动态模型的替代，结合无迹卡尔曼滤波器用于状态估计，最终通过非线性进化MPC进行控制。该框架在GPU上以70 Hz的频率运行，确保了实时性。

关键创新：最重要的技术创新在于DD-PINN的引入，使得动态模型计算速度提升至44,000倍，同时能够适应不同的弯曲刚度，显著提高了控制的灵活性和准确性。

关键设计：在设计中，DD-PINN的网络结构经过优化，以适应动态模型的需求，损失函数设计考虑了末端执行器位置的准确性，确保了控制效果的稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的控制器在仿真中实现了末端执行器位置误差低于3 mm，实际实验中也达到了类似的精度。此外，控制器能够实现高达3.55 m/s²的加速度，展现了优越的动态响应能力。

🎯 应用场景

该研究的潜在应用领域包括医疗机器人、柔性制造和服务机器人等。通过提高软连续机器人的控制精度和适应性，能够拓展其在复杂环境中的应用，提升工作效率和安全性。未来，该技术可能在更多高要求的动态控制场景中发挥重要作用。

📄 摘要（原文）

Dynamic control of soft continuum robots (SCRs) holds great potential for expanding their applications, but remains a challenging problem due to the high computational demands of accurate dynamic models. While data-driven approaches like Koopman-operator-based methods have been proposed, they typically lack adaptability and cannot reconstruct the full robot shape, limiting their applicability. This work introduces a real-time-capable nonlinear model-predictive control (MPC) framework for SCRs based on a domain-decoupled physics-informed neural network (DD-PINN) with adaptable bending stiffness. The DD-PINN serves as a surrogate for the dynamic Cosserat rod model with a speed-up factor of up to 44,000. It is also used within an unscented Kalman filter for estimating the model states and bending compliance from end-effector position measurements. We implement a nonlinear evolutionary MPC running at 70 Hz on the GPU. In simulation, it demonstrates accurate tracking of dynamic trajectories and setpoint control with end-effector position errors below 3 mm (2.3\% of the actuator's length). In real-world experiments, the controller achieves similar accuracy and accelerations up to 3.55 m/s2.