新型控制系统教授软体机器人保障自身安全的技巧

想象一下，有一个连续体软体机械臂可以绕着一串葡萄或西兰花弯曲，并在举起物体时实时调整握力。传统的刚性机器人通常会尽可能避免与环境接触，并且出于安全考虑会与人类保持距离，而这个机械臂则能感知细微的力，通过伸展和弯曲来模仿人类手部的柔顺性。它的每一个动作都经过计算，以在高效完成任务的同时避免施加过大的力。在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）中，这些看似简单的动作是复杂数学、精细工程以及让机器人能够安全与人类和易碎物体互动这一愿景的结晶。

软体机器人凭借其可变形的身体，有望在未来实现机器与人更无缝地协同移动、辅助护理，或在工业环境中处理精密物品。然而，正是这种灵活性使其难以控制。微小的弯曲或扭转都可能产生不可预测的力，从而增加损坏或受伤的风险。这促使人们需要为软体机器人制定安全的控制策略。

“受到刚性机器人安全控制和形式化方法进展的启发，我们旨在将这些理念应用于软体机器人领域——对其复杂行为进行建模，并接纳而非回避接触，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），”资深首席作者、麻省理工学院助理教授乔埃莱·扎尔迪尼表示。他是麻省理工学院信息与决策系统实验室（LIDS）和土木与环境工程系的首席研究员，同时也是数据、系统与社会研究所（IDSS）的附属 faculty。“其他研究团队近期开展的相关平行研究也持有这一愿景。”

安全第一

该团队开发了一种新框架，它将非线性控制理论（用于控制涉及高度复杂动态的系统）与先进的物理建模技术以及高效的实时优化相结合，形成了他们所谓的“接触感知安全性”。这种方法的核心是高阶控制障碍函数（HOCBFs）和高阶控制李雅普诺夫函数（HOCLFs）。高阶控制障碍函数定义了安全操作边界，确保机器人不会施加不安全的力。高阶控制李雅普诺夫函数引导机器人高效地朝着任务目标前进，在安全性和性能之间取得平衡。

“本质上，我们是在教机器人在与环境互动时了解自身的极限，同时仍能实现其目标，”麻省理工学院机械工程系博士生、一篇描述该框架的新论文的主要作者黄基万（Kiwan Wong）说。“这种方法涉及到软机器人动力学、接触模型和控制约束的一些复杂推导，但对于从业者来说，控制目标和安全屏障的规范相当简单明了，而且结果非常具体，你可以看到机器人平稳移动，对接触做出反应，并且永远不会造成不安全的情况。”

伍斯特理工学院助理教授、前麻省理工学院计算机科学与人工智能实验室博士后肖伟表示：“与传统的运动学CBF相比——在传统方法中，前向不变安全集很难确定——高阶CBF框架简化了障碍设计，其优化公式考虑了系统动力学（例如惯性），确保软体机器人能及早停止，以避免不安全的接触力。”

“自软体机器人出现以来，该领域就强调了它们的具身智能以及相较于刚性机器人更高的固有安全性，这要归功于被动材料和结构的柔顺性。然而，它们的‘认知’智能——尤其是安全系统——一直落后于刚性串联连杆机械臂，”共同第一作者马克西米利安·斯托尔茨勒说，他是迪士尼研究院的研究实习生，曾是代尔夫特理工大学的博士生，也是麻省理工学院LIDS和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，并针对安全接触和软体连续体动力学对其进行定制，有助于缩小这一差距。”

LIDS和CSAIL团队在一系列实验中对该系统进行了测试，这些实验旨在挑战机器人的安全性和适应性。在一项测试中，机械臂轻轻按压在一个柔顺表面上，保持精确的力量而不会过度用力。在另一项测试中，它沿着弯曲物体的轮廓移动，调整握力以避免打滑。在又一次演示中，机器人与人类操作员一起操作易碎物品，能实时应对意外的触碰或移动。“这些实验表明，我们的框架能够推广到各种任务和目标，机器人可以在复杂场景中感知、适应和行动，同时始终遵守明确定义的安全限制，”扎尔迪尼说。

当然，具有接触感知安全性的软体机器人在高风险场所可能确实能带来真正的附加价值。在医疗领域，它们可以辅助手术，提供精确操作的同时降低患者风险。在工业领域，它们或许能在无需持续监督的情况下处理易碎物品。在家庭环境中，机器人可以帮忙做家务或承担护理工作，与儿童或老年人安全互动——这是让软体机器人成为现实环境中可靠伙伴的关键一步。

“软体机器人拥有惊人的潜力，”共同领衔资深作者、麻省理工学院计算机科学与人工智能实验室（CSAIL）主任兼电气工程与计算机科学系教授丹妮拉·鲁斯表示，“但通过相对简单的目标来确保安全性并编码运动任务一直是核心挑战。我们希望打造一个系统，让机器人既能保持灵活性和响应能力，同时又能从数学角度保证其不会超过安全力限制。”

结合软机器人模型、可微分仿真和控制理论

该控制策略的基础是一种名为分段科塞拉特段（PCS）动力学模型的可微实现，这种模型能够预测软体机器人的变形方式以及力的累积位置。该模型使系统能够预测机器人的身体在驱动下以及与环境进行复杂交互时会做出怎样的反应。“我最喜欢这项工作的一点是，它融合了来自不同领域的新旧工具，比如先进的软体机器人模型、可微模拟、李雅普诺夫理论、凸优化以及基于伤害严重程度的安全约束。所有这些都很好地融入了一个完全基于基本原理的实时控制器中，”合著者、代尔夫特理工大学副教授科西莫·德拉·桑蒂纳说道。

与之相辅相成的是可微保守分离轴定理（DCSAT），它以可微的方式估算软体机器人与环境中障碍物之间的距离，这些障碍物可用一系列凸多边形来近似。“早期用于凸多边形的可微距离度量要么无法计算穿透深度——这对估算接触力至关重要，要么会产生非保守的估算结果，可能危及安全性，”王说。“而DCSAT度量返回的是严格保守的、因而也是安全的估算结果，同时还能实现快速且可微的计算。”PCS和DCSAT共同赋予机器人对环境的预测能力，使其能进行更主动、安全的交互。

展望未来，该团队计划将其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性与自适应学习相结合，软体机器人有望应对更复杂、更不可预测的环境。

“这正是我们的工作令人兴奋之处，”鲁斯说，“你能看到机器人以类似人类的、谨慎的方式行动，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。”

该团队的研究工作部分得到了香港赛马会奖学金、欧盟“地平线欧洲”计划、Cultuurfonds Wetenschapsbeurzen以及拉奇（1948）和南希·艾伦讲座教授席位的支持。他们的研究成果于本月早些时候发表在电气与电子工程师协会的《机器人与自动化快报》上。