1 绪论
1.1 研究背景及意义
随着人类生产和生活的不断发展，机器人技术和自动控制理论的不断进步，人类对于机器人技术的需求不断增长。在人类不适合操作的极端和危险的工程环境中，机器人为人类提供了极大的便利[1]。凭借着高刚度、高强度、高精度等特点，传统的刚性机械臂[2]已经在工业领域得到了广泛的应用。然而，传统的机械臂由于其较高的刚度，在与环境交互方面的能力大大受到限制；同时，刚性机械臂虽然已经具有多个自由度，但是在复杂的工作环境下，机械臂的灵活性还是有限，不能完全满足要求。而软体机械臂具有足够的灵活性、适应性、超冗余或无限的自由度，甚至可以任意改变其形状以满足工况要求，具有很强的环境适应能力，并且可以完成很多传统刚性机械臂无法完成的任务，因此，软体机械臂是一个新兴且极具前景的研究方向[3]。
软体机械臂具有连续弯曲的能力，并且理论上具有无限多个自由度（DOF）。在过去的二十年中，人们见证了这一领域的重大发展，并且进行了各种形式的设计[4]，主要模仿章鱼手臂、象鼻和蛇形的结构[5-12]，它以其安全性、灵活性和多重自由度的特点满足很多特殊场合，这种软体机械臂广泛应用于不同领域，尤其是在狭窄曲折的复杂工作空间中，包括工业操作、搜救、医疗保健、微创手术等领域[13]。
但是，把软体机械臂用到实际领域也有缺点[14]。由于软体机械臂其本身的材料特性，使得软体机械臂具有很强的非线性特性，软体机械臂末端点位置和输入气压之间的对应关系难以建立，普通的线性化方法和控制方式很难达到要求。当前对软机械臂的建模和控制并没有成熟的解决方法，这便导致软体机械臂的位置控制更加复杂，其次，由于当前软体机械臂的反馈机制还不完善，从而使整个软体机械臂的可控制性远低于传统的刚性机械臂。
总而言之，软体机械臂的建模和控制问题急需得到解决方向，这不仅对所有研究学者制作的软体机械臂有重要的应用意义，同时对于此类机械臂的后续建模、控制研究具有及其重要的意义。
.............................
1.2 软体机械臂建模控制研究现状
除了在材料方面、驱动和传感技术、制造技术方面的许多挑战和研究成果外，如何对软机器人进行建模以及如何控制其运动的问题从应用的角度来看具有科学性和重要的挑战性。机器人技术中的经典控制方法是基于非线性模型的。然而，软机器人系统所需的高度复杂和非线性模型使这种方法成为一项艰巨的任务[15]。
为了实现软体机械臂的控制，研究学者采用了多种控制策略进行尝试，如 PID 控制、鲁棒控制、模糊控制、自适应控制等等。即使这样，由于软体系统的不确定性和难控性，软体机械臂的建模、控制研究和应用还任重而道远[16]。
当前软体机械臂的控制方式主要有基于模型的控制和无模型的控制方式。基于模型的控制方式主要依赖于分析模型来推导控制器，通过正逆运动学分析来实现软体机械臂的控制，无模型的控制方式主要通过机器学习或者经验方法来实现软体机械臂的控制[17]。
软体机械臂运动学通常可根据其几何结构来描述，早在 2000Hannan 等人已有基于常曲率（CC）模型描述软体臂中轴线的变形情况的论著[18-19]。为了获得更精确的结果，2006年琼斯等人提出了分段常曲率（PCC）模型，用多段法描述软体臂的几何结构[20-23]。目前关于软体机械臂的建模方法主要围绕分段常曲率方法展开[24]，当前大多数基于模型的控制器依赖于常曲率近似来推导软体机械臂的正逆运动学，如图 1-1 所示[25]。
图 1-1 利用常曲率假设推导正逆运动学
2 软体机械臂测试实验平台搭建
2.1 研究对象
本文的研究对象是由硅胶材料做基体，采用 3D 打印技术制成的三气腔软体机械臂。选用热塑性材料，硬度低、具有很好的延展性和柔顺性；驱动方式选用气动驱动，具有重量低、无污染等优势；选用波纹管结构，使得机械臂在传输速度、使用寿命方面有很大提升[34]。
（1）机械臂的材料
选用 NinjaFlex 作为软体机械臂的基体材料，直径为 1.75mm。它是由热塑性聚氨酯(TPU)材料制成，具有低粘性和很好的延展性，可保证多次重复运动而不破损，耐磨性与丙烯腈－丁二烯－苯乙烯塑料(ABS)和聚乳酸(PLA)相比都要高出 20%，使用寿命较长。
（2）机械臂的结构
本团队制作的软体机械臂主要由波纹管驱动器基体、内骨片、上端盖、下端盖和气源管路组成。驱动器基体共 3 个，结构完全相同，沿径向间隔 120°组合而成，内骨片和上下端盖用来固定组装好的机械臂。
（3）机械臂的尺寸
本文的研究对象先由 3D 打印技术打印 3 个单腔驱动器，如图 2-1 所示，再由人工组装而成。模型如图 2-2 所示 。
图 2-1 单个驱动器
2.2 控制系统介绍
选择 Labview 做为上位机测试软件平台，编制程序控制所用硬件动作，完成机械臂的变形控制。
（1）气路设计
本文研究对象的驱动方式为气压驱动，首先完成整个气路的设计和搭建。整个气路主要包含空气压缩机、滤清器、滤油器、减压阀、电气比例阀、通断阀、气管。
空气压缩机主要为整个气路提供源源不断的气流，以保证整个使用过程中气路的连续’性、安全性；滤清器、滤油器用来过滤压缩空气中的水、油雾以及小的固体颗粒；减压阀选择 SMC 的 IR1010-01 精密减压阀，设定压力的范围为 0.01~0.4MPa，其作用是将空气压缩机输出的气压稳定到实验设备所需要的气压范围内；选择 SMC 的 ITV0030 精密电气比例阀，通过调节其输入电压来控制比例阀输出气压的大小，其输入电压 0-10V 对应气压输出 0-500kPa，灵敏度为 1kPa，重复定位精度为±2.5kPa；另外配置亚德客的 3V2-06-NC二位三通电磁阀，实现气路的通断。
（2）下位机设计
选用 NI-CompactDAQ-9174 四槽机箱作为下位机，同时配置 9264 电压输出模块控制电气比例阀，改变比例阀输出气压使机械臂产生不同程度的弯曲变形。配置 9403 数字模块控制二位三通电磁阀，实现气路的通断。
所有元器件在控制柜里的布置如图 2-4 所示。空气压缩机的气流从左下方气源入口进入电气比例阀，电气比例阀的输出气压从左上方气压出口引出，连接软体机械臂对应气腔。
图 2-4 电控柜实物图
3 基于神经网络的软体机械臂建模 ......................................... 15
3.1 引言 ................................................. 15
3.2 基于 BP 神经网络的软体机械臂建模 ................................... 15
4 基于神经网络的软体机械臂模型验证 ...................................... 41
4.1 引言 ............................................... 41
4.2 基于测试集的软体机械臂模型验证 .............................. 41
5 软体机械臂位置闭环控制 ...................................... 49
5.1 引言 .................................... 49
5.2 软体机械臂末端点位置闭环控制 .................................... 49
5 软体机械臂位置闭环控制
5.1软体机械臂末端点位置闭环控制
软体机械臂目标位置的 PI 闭环控制思路为：先将基于神经网络模型预测的驱动气压值加载给软体机械臂，此时由于存在预测误差，机械臂末端点到达目标位置附近；然后PI 控制器在此基础上开始调节，判断目标点和实测点的位置误差，当误差值达到设定值后，再进入下一个目标位置点的控制，重复进行，直至所有目标位置点的控制精度都达到要求为止。
将 RS-232 接口转换为 USB 接口，实现 PC 计算机与三维数字化仪数据采集设备的连接；编写 Labview 程序，实时读取数据采集设备的软体机械臂末端位置坐标数据；在此基础上编写反馈控制程序，PI 控制器的输入为机械臂末端点目标位置对应的三段弧长与当前实测位置对应的三段弧长的差值，弧长可由基于常曲率假设的参考模型从软体机械臂末端点的位置推导得出；控制器输出三个驱动气压值与神经网络模型预测的三个气压值叠加，加载给机械臂，对神经网络模型预测的气压进行调节。闭环控制流程如图 5-1 所示。
图 5-1 闭环控制流程图
6 结论与展望
6.1 结论
软体机械臂依靠自身自由度多、材料本身的软体特性，使得在许多非结构化空间的运动能力优于传统的刚性机械臂，现已被应用于农业、微创手术、康复医疗、灾后搜救等领域。随着各种各样软体机械臂的问世，它们在结构上也带来了各式各样的特点，但是，欲将软体机械臂应用于像微创手术、康复医疗这样控制精度高、工作环境复杂的领域，首先必须解决软体机械臂的控制精度问题，控制的前提是建立精准的软体机械臂末端点的位置坐标和输入气压之间的关系，当前并没有一种方法能实现超高精度的建模。
本文采用神经网络建立三气腔软体机械臂的模型，获得机械臂末端点的位置坐标和输入气压之间的对应关系，进一步添加闭环控制，提高软体机械臂的位置控制精度。 本文的研究对象是由硅胶材料做基体，采用 3D 打印技术制成的三气腔软体机械臂。首先，设计软体机械臂测试实验平台，选用 Labview 作为上位机测试软件，配置 NI 机箱、相关的模拟量输出模块和气动硬件，完成上下位机的搭建和连接；然后用 FASTRAK 三维数字化仪采集单气腔、两气腔、三气腔三种加载情况下不同驱动气压对应的软体机械臂末端点的稳态位置信息，获得稳态位置-驱动气压数据。
接着将获得的稳态位置-驱动气压数据划分为训练集和测试集，训练集用于神经网络训练，测试集用于验证训练好的模型；分别用 BP 神经网络、LSTM 神经网络以及 BP 与LSTM 结合的神经网络对单气腔、两气腔和三气腔加载情况下的软体机械臂进行建模，研究软体机械臂末端点的稳态位置和驱动气压之间的对应关系，通过比较目标位置的预测气压和真实气压的误差值，发现基于 BP 神经网络与 LSTM 神经网络结合建立的软体机械臂模型预测效果最佳。
然后对建立好的模型进行实验验证。分别用测试集的目标位置和随机目标位置对模型进行验证，在采集到的三气腔软体机械臂的工作空间中提取三种空间图形，并在这三种空间图形上间隔取点，作为目标位置点，用建立好的模型预测其对应的驱动气压值，将预测的驱动气压值加载给三气腔软体机械臂，其末端点到达的位置和目标位置之间的误差为6.95mm。
虽然基于神经网络建立的软体机械臂模型的预测准确度已经达到 99%，但是由于软体材料本身的非线性特性和响应迟滞等问题，导致数据集本身存在误差，从而导致模型预测气压到达的位置和目标位置之间的误差较大。在此基础上，结合 PI 控制器实现软体机械臂末端点的位置闭环控制。
参考文献（略）