Relaxation-Aware Multimodal Sensing of Soft Gripper Driven by Structure-Perception-Learning
作者: Yanzhe Wang, Hao Wu, Ziyi Zheng, Huixu Dong
分类: cs.RO
发布日期: 2026-08-27
备注: 11 pages, 9 figures. Published in Robotics: Science and Systems (RSS 2026)
期刊: Proceedings of Robotics: Science and Systems XXII, Sydney, Australia, July 13-17, 2026
💡 一句话要点
提出温度耦合的粘弹性力表示以解决软抓手的放松问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 软机器人 抓取控制 粘弹性 多模态感知 物理信息学习 温度耦合 实时反馈
📋 核心要点
- 现有软抓手在抓取过程中由于材料的粘弹性，导致抓取力逐渐衰减，难以实现稳定的抓取。
- 本文提出了一种集成的结构-感知-学习框架，利用温度耦合的粘弹性力表示和物理信息学习模型来补偿力衰减。
- 实验结果显示，所提方法在抓取保持任务中显著提高了抓取力的稳定性，平均绝对误差仅为0.066N。
📝 摘要（中文）
稳定且持续的抓取是软机器人手的基本挑战。软聚合物的内在粘弹性导致抓取力在保持过程中逐渐衰减。受人类抓取启发，本文提出了一个集成的结构-感知-学习框架，开发了一种可变刚度的软抓手，实时跟踪变形和温度场。为减轻放松引起的力衰减，提出了温度耦合的粘弹性力表示，并结合物理信息学习模型重建力趋势，提供明确的补偿。实验表明，在280秒的力控制抓取保持任务中，所提方法的平均绝对误差为0.066N，优于固定孔径和仅瞬时基线，分别提升80%和95%。
🔬 方法详解
问题定义：本文旨在解决软抓手在抓取过程中因材料粘弹性导致的抓取力衰减问题。现有方法未能有效应对这一挑战，导致抓取稳定性不足。
核心思路：论文提出的核心思路是结合温度耦合的粘弹性力表示与物理信息学习模型，通过实时感知和反馈来动态调整抓取力，模仿人类抓取的灵活性。
技术框架：整体架构包括三个主要模块：结构模块（可变刚度软抓手）、感知模块（实时视觉和红外热成像）、学习模块（物理信息学习模型）。这些模块协同工作，实现对抓取状态的持续跟踪和力的动态补偿。
关键创新：最重要的技术创新在于提出了温度耦合的粘弹性力表示，这一方法能够有效重建力趋势并补偿因放松引起的力衰减，与传统方法相比，提供了更为精确的抓取控制。
关键设计：在设计中，采用了实时温度监测和变形跟踪技术，损失函数结合了力的重建误差和温度影响，网络结构则基于物理模型进行优化，以确保学习过程的有效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提方法在280秒的力控制抓取保持任务中，平均绝对误差为0.066N，相较于固定孔径和仅瞬时基线，分别提升了80%和95%。这一显著的性能提升证明了温度耦合的粘弹性力表示的有效性。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在需要精确抓取和操作的领域，如医疗机器人、服务机器人和工业自动化。通过提高软抓手的抓取稳定性，可以显著提升机器人在复杂环境中的操作能力，未来可能对人机协作和智能制造产生深远影响。
📄 摘要（原文）
Achieving stable, sustained grasping with soft robotic hands remains a fundamental challenge. Compliance enables safe and adaptive contact, yet the intrinsic viscoelasticity of soft polymers leads to stress relaxation and a continuous decay of grasping force during holding. Inspired by human grasping, which combines phase-dependent stiffness regulation with continuous sensing and feedback, this paper presents an integrated structure--perception--learning framework. We develop a variable-stiffness soft gripper that uses onboard vision and infrared thermography to track deformation and the temperature field in real time, preserving continuous tracking of the interaction state. To mitigate relaxation-induced force decay, we propose a temperature-coupled viscoelastic force representation, together with a physics-informed learning model, to reconstruct the force trend and provide explicit compensation during holding. Experiments show that, in a 280s force-controlled grasp-and-hold task, the proposed method maintains the desired force with a mean absolute error of 0.066N, outperforming fixed-aperture and instantaneous-only baselines by 80% and 95%, respectively. Overall, the results support a mechanism--AI co-design view: mechanisms shape feasible interactions, while learning compensates remaining uncertainty in viscoelastic dynamics, together enabling stable, sustained grasping.