Обратная задача кинематики с учётом препятствий для континуальных роботов переменной длины с использованием оптимизации на основе обучения — экспериментальная проверка

Роботы, которые двигаются как хоботы слона

Представьте себе роботизированную руку, которая может сворачиваться, скручиваться и протискиваться через завалы так же, как хобот слона пролезает между ветвями деревьев. Такие «континуальные роботы» — мягкие, гибкие механизмы, предназначенные для работы в тесных или опасных местах, от обрушившихся зданий до внутренностей человеческого тела. В этой статье предложен новый способ точного управления этими роботами, даже когда их длина изменяется и они огибают препятствия, что приближает эту футуристическую технологию к практическому применению.

Почему гибких роботов трудно контролировать

В отличие от жёстких сочленённых манипуляторов, которые вы можете видеть на автомобильном заводе, континуальные роботы строятся вокруг гибких «хребтов», через которые проходят тросы или трубки. Они могут гладко изгибаться во многих направлениях и даже удлиняться или укорачиваться, что даёт им большую досягаемость и манёвренность. Но эта гибкость имеет обратную сторону: предсказать, как сместится кончик робота при натяжении тросов, сложно, а обратная задача — найти настройки тросов и формы, чтобы кончик оказался в заданной точке — ещё труднее. Часто существует множество способов достигнуть одной и той же позиции, а движение обладает сильной нелинейностью, что делает традиционные пошаговые формулы малоэффективными.

Преобразование планирования движения в умный поиск

Чтобы справиться с этой задачей, авторы рассматривают планирование движения робота как задачу поиска. Они сначала принимают широко используемое геометрическое приближение, в котором каждый участок робота изгибается как гладкая круговая дуга. В этой модели любая конкретная комбинация углов изгиба, ориентаций и длин секций даёт предсказанное положение кончика робота. Ключевая идея — позволить компьютеру просмотреть пространство таких вариантов, чтобы найти сочетание, при котором кончик максимально близко попадает в желаемую точку в пространстве с учётом физических ограничений на допустимые изгибы и удлинения секций.

Обучение в виртуальном классе

Поисковый механизм в основе метода называется оптимизацией на основе преподавания и обучения. Он воображает класс «учащихся», каждый из которых представляет собой кандидат на способ изгибания и растяжения робота. На каждом шаге лучший учащийся выступает в роли «преподавателя», подталкивая остальных к лучшим решениям, а пары учащихся также учатся друг у друга, сравнивая свои различия. В течение многих итераций этот виртуальный класс сходится к конфигурации, которая очень близко попадает в целевую точку. Простой приём делает движение по пути плавным: при перемещении робота по траектории лучшее решение для одной точки переиспользуется как начальная догадка для следующей, что помогает избежать резких скачков формы.

Сохранение безопасной дистанции до препятствий

Работа в загромождённых пространствах требует, чтобы робот не задевал близлежащие объекты. Вместо того чтобы проверять только центральную линию корпуса, авторы моделируют каждую секцию как утолщённую «капсулу» с реальным радиусом и рассматривают препятствия как твёрдые объекты с собственным размером. Во время поиска любая кандидатная форма, которая сталкивается с препятствием, получает серьёзное штрафование, что делает её крайне маловероятной для выбора в качестве хорошего решения. В компьютерных испытаниях робот успешно следовал как прямым, так и круговым траекториям, изящно огибая фиксированное препятствие и сохраняя при этом необходимую запасную дистанцию.

Проверка метода на практике

Команда сравнила свой метод, вдохновлённый классной комнатой, с тремя другими популярными методами оптимизации, часто используемыми в инженерии. В многочисленных повторных испытаниях их подход стабильно находил очень точные решения без необходимости ручной настройки параметров, которую требуют соперничающие методы. Они также применили технику к более сложным роботам с тремя гибкими секциями, показав, что она масштабируется по мере усложнения конструкции. Наконец, метод протестировали на реальном роботе, похожем на хобот, с пневматическим приводом. Используя измерения с датчиков, отслеживавших движение робота, они запустили алгоритм офлайн, чтобы предсказать, как должны были изменяться внутренние тросы, и обнаружили, что предсказанные и измеренные длины тросов совпадают в пределах нескольких миллиметров.

Что это значит для будущих роботов

Проще говоря, исследование показывает, что гибкий робот, похожий на хобот, может управляться почти так же надёжно, как жёсткий промышленный манипулятор, даже когда ему приходится растягиваться, сворачиваться и уклоняться от препятствий по пути. Превратив задачу навигации в направленный поиск и закладывая запас безопасности прямо в целевую функцию, авторы предлагают практичный рецепт, работающий как в симуляциях, так и в аппаратных реализациях. Это создаёт основу для будущих роботов, которые смогут безопасно протискиваться через загруженные среды — внутри машин, в зонах бедствия или даже в теле человека — при сохранении точности, необходимой для сложных задач.

Цитирование: Ghoul, A., Sattar, A.M., Adoul, M.A. et al. Obstacle-aware inverse kinematics of variable-length continuum robots via teaching–learning-based optimization with experimental validation. Sci Rep 16, 11227 (2026). https://doi.org/10.1038/s41598-026-46132-6

Ключевые слова: континуальные роботы, мягкая робототехника, избегание препятствий, планирование движения, алгоритмы оптимизации