软质折纸执行器的异质变形在软体机器人本体感知中的应用

《Sensors and Actuators A: Physical》：Soft origami actuator heterogeneous deformation for soft robotic proprioception

软origami机构异质变形用于多模态本体感觉感知研究，通过区分主变形与零变形，设计分布式光学应变传感器阵列，实现机械臂与夹具系统在复杂变形下的运动与力反馈，验证了软体变形多维度感知的可行性。

　　

Juan Yi|Jiahao Xu|Chaoyi Huang|Benkang Lou|Rongwei Wen|Yuan Liao|Yang Yang|Sicong Liu|Zheng Wang

中国广东省东莞市大湾大学高级工程学院

摘要

变形对于软体机器人的驱动和感知至关重要。使用软材料进行运动生成可以为软气动执行器提供更好的被动顺应性，但同时也引入了不可控制的附加变形，例如在气动驱动或外部载荷作用下的横向膨胀和弯曲。本研究探讨了利用软折纸执行器的异质变形来获取本体感觉信息的可能性。我们将变形分为两类：主要变形（PD），它有助于实现预期的主要运动；以及次要变形（ND），它是附加的，但不直接贡献于预期运动。利用这些特性，我们提出了一种基于软折纸执行器异质变形的感知（SoA-HDS）方法，该方法策略性地在PD和ND区域分布光学应变传感器，以构建多模态感知信息。SoA-HDS方法成功地获取了本体感觉信息，包括多维身体运动和力，且使用相同的感知机制。这展示了利用软执行器变形的差异性在软体机器人手臂和夹持器系统中实现本体感觉的潜力，进一步实现了对交互作用的有效调整。

引言

机器人变形是指由各种机械刺激引起的形状变化，在机器人驱动和感知研究中占据关键地位[1]。与传统的刚性机器人不同，软体机器人由于使用了软材料，能够产生连续且复杂的变形，表现出高度的适应性[2]、[3]、[4]。软材料的固有可变形性使它们能够适应软体的形状变化，保持软体机器人的顺应性和适应性。在过去的几十年中，先驱性研究深入探讨了软体机器人的变形行为[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]。这些研究不仅提高了软体机器人的驱动性能，还揭示了增强其感知能力的潜力。然而，由于软体的高柔韧性和顺应性，软体机器人在从整体变形中捕获多模态感知信息时通常面临挑战。

广泛研究的软应变传感器利用软硅胶材料作为基底，并实现了多种感知机制，从而能够捕获大应变变形[13]、[14]、[15]、[16]。软传感器的固有可变形性使它们能够适应软体的形状变化，保持软体机器人的顺应性和适应性。为了捕获软执行器的多维运动，研究人员探索了创新方法，要么将新型软应变传感器设计集成到软体中[17]、[18]，要么在单个软应变传感器元件中结合多种感知机制[19]、[20]、[21]。这些方法通过将传感输入与所需的输出感知性能联系起来，显著简化了制造过程，实现了多种感知模式。然而，这些变形测量方法通常将软体视为一个均匀的整体，在复杂的全身变形过程中，多维的本体感觉姿势和力变化是耦合的。这给揭示变形的物理意义带来了重大挑战。

执行器运动和力之间的耦合不仅存在于软体机器人中，也存在于人类肌肉中。在生物系统中，它们通过高尔基腱器官和肌肉纺锤体解耦，分别检测张力和长度，从而促进本体感觉过程（图1(a)）。这种本体感觉机制激发了将离散传感器集成到软体机器人系统中的研究[22]、[23]、[24]、[25]、[26]，实现了类似肌肉的本体感觉功能。与人类肌肉不同，软体机器人被专门设计为产生多维运动。因此，理解软体变形对于进一步建立关于感知输入如何发生及其如何影响机器人性能的物理知识至关重要[27]，尤其是在高维运动中。

软气动折纸执行器通常通过加入增强元素（如非均匀的材料厚度和混合结构）来设计重复图案，以生成折叠和展开机制。将这些重复图案引入软材料中会导致在各种刺激下整个软体的异质变形[2]、[6]、[7]、[8]。这些变形主要包括直接贡献于执行器主要预期运动的变形，如线性和弯曲运动，以及使执行器主体进入其他配置的变形，而不是产生运动。后一种类型通常表现为气动驱动下的附加身体变形，如横向膨胀、肿胀、弯曲等。尽管它们通常不贡献于执行器的预期运动，但它们足够显著，不容忽视，在某些情况下甚至超过主要预期运动。例如，当执行器的远端完全受限且驱动力显著增加时，身体膨胀或收缩比运动变形更为明显。此外，独特的折叠和展开机制会导致更复杂的表面结构，从而增加了集成软传感器的难度。显著的努力表明，通过嵌入软传感器可以启用软折纸执行器的感知功能，以捕获主要预期运动变形[28]、[29]、[30]。探索所有变形模式用于感知目的的可能性是可取的。

在这项研究中，我们探讨了在驱动和交互作用下软气动执行器的异质变形的可能性，以获取本体感觉信息。我们将它们的变形明确分为两类：主要变形（PD），它有助于实现预期的主要运动；以及次要变形（ND），它不直接贡献于预期运动（图1(b)）。利用它们的独特性能，我们提出了一种基于软折纸执行器异质变形的感知（SoA-HDS）方法，该方法策略性地在PD和ND区域分布光学应变传感器，以检测差异并构建多模态感知信息。以线性气动软折纸执行器为例，我们实现了一种分布式光学感知阵列设计，该设计结合了两种类型的传感元件，即平面受体和可折叠受体（图1(b)），将其集成到软光学机械感受器（SOM）折纸执行器的面和棱中，以捕获PD和ND的集合。这种布置有助于获取本体感觉信息，包括复杂的身体运动学识别和内部驱动力的检测（图1(c)）。基于这种方法，我们开发了一种机器人手臂和夹持器，展示了在交互过程中准确调整姿势和有效收集交互对象信息的能力（图1(d)、(e)）。

本研究的主要贡献包括：1）基于软折纸执行器异质变形的感知方法，该方法利用PD和ND变形的集合，并揭示了它们在感知目的中的不同性能；2）结合了两种类型光学应变受体的分布式光学感知阵列设计，允许在软折纸机器人中检测PD和ND，最终获得包括复杂身体运动学识别和内部驱动力检测在内的本体感觉信息；3）基于分布式光学的感知阵列集成软体机器人设计，用于精确的空间位置反馈控制和与周围对象的交互反馈，通过从概念、建模、设计、制造到系统开发的完整方法验证了SoA-HDS方法。

章节摘录

软折纸执行器内的变形

在本节中，我们通过模拟分析了PD和ND的集合，以验证它们在软气动折纸执行器中的不同性能，为理解所提出的感知策略的机制奠定了基础。

软折纸机器人主要由基本折叠单元组成，这些单元的特点是在一个顶点处连接两个面，如图2(a)所示，形成各种折纸图案[2]，如Yoshimura、Diagonal和Waterbomb。

软光学受体设计和工作原理

为了捕获软执行器中的PD和ND集合，我们在相同的感知机制下使用了两种类型的光学受体。在折叠单元中，PD表现出折叠和展开运动，而ND则表现出膨胀和收缩运动。因此，软光学受体的设计具有可折叠和平面结构，初始折叠角度为θ，如图3(a)所示，用于检测棱和面中的PD和ND。

在异质变形中的感知

受体的性能验证首先评估了它们感知ND/PD集合的能力。我们对光学受体进行了初步测试，以验证其在变形感知中的性能。通过配置最简单的设置（一个平面受体和一个可折叠受体），验证了它们捕获折纸腔体异质变形的能力。这些测试分别在等长条件下进行，即执行器长度保持不变，以验证

软体机器人中的本体感觉

在这项工作中，我们构建了两个机器人系统：一个软体机器人手臂（图6(a)）和一个软体机器人夹持器（图6(b)）。为了支持这些系统，我们开发了一个配备24个气动阀的硬件设置，最大工作频率为30 Hz，可以独立控制12个电路。该系统的采样频率为50 Hz。这种配置确保了日常任务的顺利执行，如图6(c)所示。它包括一个驱动系统和一个数据

结论

本体感觉在恢复机器人及其周围环境的状态中起着关键作用，因此对于软体机器人的反馈控制和未知环境的探索非常重要。软体机器人通常通过测量其软体全身的变形来获取所需的感知信息。由于软材料的固有属性，软体机器人表现出高顺应性和灵活性，从而实现了多样的运动，但也导致了不可控制的附加变形

资助

本工作部分得到了国家自然科学基金的支持，资助编号为52105021。

CRediT作者贡献声明

Benkang Lou：验证。 Chaoyi Huang：概念化。 Yang Yang：撰写——原始草稿，监督。 Rongwei Wen：撰写——原始草稿，概念化。 Jiahao Xu：验证。 Juan Yi：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，概念化。 Sicong Liu：撰写——原始草稿。 Yuan Liao：概念化，撰写——审阅与编辑。 Zheng Wang：撰写——审阅与编辑，撰写——原始草稿。

利益冲突声明

所有作者均无需要披露的财务或个人利益。

Juan Yi于2014年获得华中科技大学理学学士学位，2018年在香港大学获得机械工程博士学位。2018年至2020年期间，她在GAC研发中心担任工程师。2020年至2025年期间，她在南方科技大学机械与能源工程系担任研究助理教授。目前她是大湾大学的助理教授。她的当前研究