软体机器人的接触感知安全控制系统

麻省理工学院计算机科学与人工智能实验室（CSAIL）和信息与决策系统实验室（LIDS）的研究人员开发了一种基于数学的控制系统，使软体机器人能够变形、适应并与人和物体交互，同时严格遵守安全限制。

想象一下，一个连续型软体机械臂弯曲着绕过一串葡萄或西兰花，在提起物体的同时实时调整其抓握力。与为了安全原因通常尽量避免与环境接触并远离人类的传统刚性机器人不同，这种机械臂能够感知微小的力，以模仿人手的顺应性方式进行伸展和弯曲。它的每一个动作都经过计算，旨在避免施加过大的力，同时高效地完成任务。在CSAIL和LIDS实验室里，这些看似简单的动作是复杂数学、精细工程学以及让机器人能够安全地与人类和易碎物品交互这一愿景的结晶。

软体机器人以其可变形的身体，预示着未来机器能够更无缝地与人类并肩工作，协助护理，或在工业环境中处理易损物品。然而，这种灵活性也使其难以控制。微小的弯曲或扭转都可能产生不可预测的力，增加损坏或伤害的风险。这促使人们需要为软体机器人开发安全控制策略。

“受刚性机器人安全控制和形式化方法进步的启发，我们旨在将这些理念应用于软体机器人——对其复杂行为进行建模，并接纳而非避免接触——从而在不牺牲安全性或具身智能的前提下，实现更高性能的设计（例如，更大的有效载荷和更高的精度），”该研究的资深主要作者、麻省理工学院助理教授Gioele Zardini说。他也是LIDS和土木与环境工程系的首席研究员，以及数据、系统与社会研究所（IDSS）的附属教员。“这一愿景也得到了其他团队近期和并行研究的认同。”

安全第一

该团队开发了一个新框架，将非线性控制理论（控制涉及高度复杂动态的系统）与先进的物理建模技术和高效的实时优化相结合，创造出了他们所谓的“接触感知安全”。该方法的核心是高阶控制屏障函数（HOCBFs）和高阶控制李雅普诺夫函数（HOCLFs）。HOCBFs定义了安全操作边界，确保机器人不会施加不安全的力。HOCLFs则有效地引导机器人完成其任务目标，平衡安全性与性能。

“本质上，我们是在教导机器人在与环境交互时了解自身的极限，同时仍然实现其目标，”该论文的主要作者、麻省理工学院机械工程系博士生Kiwan Wong说。“该方法涉及一些软体机器人动力学、接触模型和控制约束的复杂推导，但对实践者来说，控制目标和安全屏障的指定相当直接，而且结果非常直观，你可以看到机器人平滑移动，对接触做出反应，从不造成不安全的情况。”

“与传统的运动学CBF（其中前向不变安全集难以指定）相比，HOCBF框架简化了屏障设计，其优化公式考虑了系统动力学（例如，惯性），确保软体机器人足够早地停止，以避免不安全的接触力，”伍斯特理工学院助理教授、前CSAIL博士后Wei Xiao说。

“自软体机器人出现以来，该领域一直强调其具身智能和相较于刚性机器人更大的固有安全性，这得益于被动的材料和结构顺应性。然而，它们的‘认知’智能——特别是安全系统——一直落后于刚性串联连杆机械臂，”该研究的共同主要作者Maximilian Stölzle说。他是迪士尼研究公司的研究实习生，曾是代尔夫特理工大学的博士生和麻省理工学院LIDS及CSAIL的访问研究员。“这项工作通过将经过验证的算法应用于软体机器人，并为其量身定制以处理安全接触和软连续体动力学，有助于缩小这一差距。”

LIDS和CSAIL团队在一系列旨在挑战机器人安全性和适应性的实验中测试了该系统。在一项测试中，机械臂轻轻压在一个柔性表面上，精确地维持一个力而不超调。在另一项测试中，它沿着一个弯曲物体的轮廓移动，调整其抓握力以避免滑动。在另一项演示中，机器人与人类操作员一起操作易碎物品，对意外的触碰或移动做出实时反应。“这些实验表明，我们的框架能够推广到不同的任务和目标，机器人可以在复杂场景中感知、适应和行动，同时始终尊重明确定义的安全限制，”Zardini说。

当然，具有接触感知安全的软体机器人在高风险领域可能会非常有价值。在医疗保健领域，它们可以辅助手术，在降低患者风险的同时提供精确操作。在工业领域，它们可能无需持续监督即可处理易碎货物。在家庭环境中，机器人可以帮助做家务或护理任务，与儿童或老年人安全互动——这是使软体机器人成为现实世界环境中可靠伙伴的关键一步。

“软体机器人拥有不可思议的潜力，”该研究的资深共同主要作者、CSAIL主任、电气工程与计算机科学系教授Daniela Rus说。“但通过相对简单的目标来确保安全和编码运动任务一直是一个核心挑战。我们希望创建一个系统，使机器人能够保持灵活和响应性，同时在数学上保证不会超过安全的力限制。”

结合软体机器人模型、可微分仿真和控制理论

该控制策略的基础是一种称为分段Cosserat段（PCS）动力学模型的可微分实现，该模型预测软体机器人如何变形以及力在何处累积。这个模型使系统能够预测机器人的身体将如何对驱动和与环境的复杂交互做出响应。“这项工作我最喜欢的方面是整合了来自不同领域的新旧工具，如先进的软体机器人模型、可微分仿真、李雅普诺夫理论、凸优化和基于伤害严重性的安全约束。所有这些都巧妙地融合到一个完全基于第一原理的实时控制器中，”该研究的合著者、代尔夫特理工大学副教授Cosimo Della Santina说。

对此进行补充的是可微分保守分离轴定理（DCSAT），它估计软体机器人与环境中障碍物之间的距离，这些障碍物可以用一系列凸多边形以可微分的方式近似。“早期用于凸多边形的可微分距离度量要么无法计算穿透深度——这对于估计接触力至关重要——要么产生可能危及安全的非保守估计，”Wong说。“而DCSAT度量返回严格保守的、因此安全的估计，同时允许快速和可微分的计算。”PCS和DCSAT共同赋予了机器人对其环境的预测感知，以实现更主动、更安全的交互。

展望未来，该团队计划将他们的方法扩展到三维软体机器人，并探索与基于学习的策略相结合。通过将接触感知安全与自适应学习相结合，软体机器人可以处理更复杂、更不可预测的环境。

“这就是让我们的工作令人兴奋的地方，”Rus说。“你可以看到机器人以类似人类的、谨慎的方式行事，但在这种优雅背后是一个严格的控制框架，确保它永远不会越界。”

“由于软体机器人身体的顺应性和能量吸收特性，它们的设计本质上通常比刚性机器人更安全，”密歇根大学助理教授Daniel Bruder说，他没有参与这项研究。“然而，随着软体机器人变得更快、更强、能力更强，这可能不再足以确保安全。这项工作通过提供一种方法来限制其整个身体上的接触力，朝着确保软体机器人能够安全运行迈出了关键一步。”

该团队的工作得到了香港赛马会奖学金、欧盟地平线欧洲计划、Cultuurfonds Wetenschapsbeurzen以及Rudge (1948) and Nancy Allen 教席的部分支持。他们的工作于本月早些时候发表在电气和电子工程师学会的《机器人与自动化快报》上。FINISHED