软体机器人的一大优势是柔顺。它们可以贴合不规则物体，在接触人体或脆弱物品时也更加安全。但当任务从“轻轻碰到”变成“稳定拿住”，柔顺有时反而会成为限制：机器人可能已经到达指定位置，却仍会在负载下变形，或在外界扰动中失去稳定。

  人体肌肉给出了一种解决思路。手臂保持相同姿态时，成对肌肉可以同时收缩，使关节在不明显改变位置的情况下变得更稳定。这种拮抗肌肉的协同激活机制，让生物能够在灵活运动与稳定发力之间快速切换。

  近日，南洋理工大学研究团队将这一机制用于拮抗软体机器人，提出了一种刚度驱动的数据控制方法。相关成果以“Muscle Coactivation-Inspired Stiffness-Driven Control Strategy for Antagonistic Soft Robots”为题发表在《Science Advances》。论文第一作者为潘杰和陈天雨，王一凡教授为通讯作者。

图1 从肌肉协同激活到拮抗软体机器人的刚度驱动控制

机器人已经“弯到位”，为什么仍可能抓不稳？

  研究中的软体单元由两个相互拮抗的驱动腔体组成。一侧驱动增强、另一侧减弱时，机器人发生弯曲；两侧驱动同时增强时，弯曲角度可以变化不大，但结构抵抗外力的能力会提高。

  因此，一个目标角度并不只对应一种控制输入。同样是弯曲到20°，机器人既可能处于容易变形的柔软状态，也可能处于能够承受更大扰动的高刚度状态。如果控制器只关心角度误差，它会认为这两种状态没有区别，但它们在真实任务中的表现可能完全不同。

  有限元结果显示，这种拮抗结构具有显著的刚度调节范围，也证实了姿态与刚度可以在一定程度上独立安排。控制问题由此发生变化：目标不再只是“让机器人去哪里”，还包括“让机器人以什么力学状态到达那里”。

不安装刚度传感器，怎样把刚度加入控制？

  直接计算软体机器人的刚度并不容易。材料非线性、迟滞、摩擦和制造误差都会影响模型，而刚度的实时测量通常还需要额外传感器和标定。研究团队没有从复杂的解析建模入手，而是利用机器人运行时采集的状态与输入数据学习动力学。

  系统采用 Koopman 方法，将难以直接预测的非线性运动映射到高维空间，再通过模型预测控制估计未来状态并在线选择驱动输入。对于拮抗结构，两侧输入的差值主要关联运动方向，两侧输入之和则与共同激活水平相关，可作为调节刚度的控制通道。

  在此基础上，刚度驱动求解器同时考虑轨迹目标和共同激活水平；深度 Koopman 前馈补偿器则为大幅度弯曲提供更合适的初始驱动，改善软体气动系统响应较慢的问题。控制器并未直接“测出”刚度，而是学会利用输入与运动响应之间的关系安排刚度。

图2 数据采集、动力学学习、运动预测与在线控制框架

机器人刚度越高，控制效果就越好吗？

  在轨迹跟踪实验中，PD控制、常规的Koopman-MPC 和强化学习控制在小幅值运动阶段均出现不同程度的抖动。所提方法通过协调运动输入与共同激活，使机器人在小幅值运动时更加平稳，并在大幅值弯曲阶段保持较好的跟踪精度和响应速度。

  当研究人员在机器人末端施加负载后，训练阶段形成的输入-形变关系被改变，多种对照方法出现持续位置偏差。所提方法则根据姿态反馈不断修正输入，并在负载条件下保持较高的共同激活水平，从而减小附加载荷引起的形变。

  实验同时说明，高刚度并不是默认的最优选择。在没有明显扰动时，过大的共同驱动可能带来更慢的响应和额外能耗；只有在负载或环境阻力增大时，提高刚度的收益才更加突出。控制器要做的是根据任务权衡，而不是始终把机器人调到最硬。

软体夹爪如何同时做到“轻轻碰”和“稳稳拿”？

  团队将三个拮抗软体单元组合成三指夹爪。抓取柔软硅胶环时，闭环控制使手指逐步完成接近、接触和包覆，避免直接施压造成明显挤压；抓取刚性物体时，系统则提高共同激活，增强手指的支撑能力。

  对于质量仅为 17 g、容易倾倒的杯状物体，抓取位置偏离中心时，夹爪与物体之间的不对称接触容易引起姿态变化。实验中，所提方法即使从靠近物体边缘的位置进行抓取，也能使杯体保持平稳，表明该夹爪对抓取位置偏差具有一定的适应能力。

图3 软体夹爪对柔性、刚性及易倾倒物体的抓取实验

一次接触，还能告诉机器人物体有多硬

  软体机器人接触物体后，目标运动与实际运动之间的差异也可以提供环境信息。相同探测动作下，较硬物体会更明显地阻碍手指弯曲，因此产生不同的跟踪响应。

  研究人员据此建立了物体相对刚度比较方法，并在机械臂平台上完成“接触测量—刚度比较—抓取搬运—排序”的连续任务。系统不需要额外部署复杂触觉阵列，而是利用控制过程中已经产生的状态数据完成判断。

图4 根据接触后的运动响应比较物体刚度并完成排序

除了抓取，软体结构还能承担什么任务？

  为了考察方法的应用范围，团队进一步设计了液体输运装置和可重构桥梁。液体输运装置通过软体结构的连续弯曲完成收集和抬升；可重构桥梁则在平直桥面与向上弯曲两种状态之间切换，分别供车辆和船只通过。

  这些任务都存在同一个问题：固定输入难以抵消负载、摩擦和历史状态造成的变化。闭环控制持续读取机器人姿态并更新驱动，使软体结构不只是完成一次预设变形，而是在任务过程中维持所需状态。

图5 液体输运装置与可重构桥梁实验

换成肌腱驱动，这套思路还能工作吗？

  最后，研究团队将控制框架应用于肌腱驱动的拮抗软体机器人。原有气动输入被替换为肌腱张力，成对肌腱的共同张紧用于调节结构刚度。

  在无扰动条件下，中等拮抗力已经可以改善跟踪；当机器人承受末端负载或进入黏性环境后，更高的拮抗力更有利于保持轨迹。这表明合适的刚度水平取决于机器人正在面对的任务和环境。

  跨平台实验说明，该方法并不局限于某一种气动结构。只要系统具有成对拮抗驱动，并能建立共同激活与刚度变化之间的联系，就可以沿用“数据学习运动、共同激活调节刚度”的基本框架。

图6 肌腱驱动软体机器人在不同拮抗力下的轨迹跟踪

总结与展望

  这项研究将刚度从软体机器人的被动属性转变为控制过程中的可调变量。机器人不需要显式解析刚度模型，也不需要实时刚度传感器，而是通过运动数据学习动力学，再利用拮抗驱动的共同激活平衡稳定性与柔顺性。

  现阶段方法仍依赖离线数据。随着材料老化、结构磨损或驱动效率变化，原有模型可能逐渐失准；输入之和也只是刚度的间接表征，在快速接触和复杂约束环境中仍有局限。后续结合在线学习、压力传感、视觉反馈，有望进一步提高长期适应能力。

  从更广泛的角度看，这项工作的价值并不是让软体机器人一味变硬，而是让它开始根据任务选择合适的软硬状态：接触时保持柔顺，承载和抗扰时增强稳定。

  论文信息

  论文题目：Muscle Coactivation-Inspired Stiffness-Driven Control Strategy for Antagonistic Soft Robots

  作者：Jie Pan?, Tianyu Chen?, Junwei Li, Yifan Wang*

  单位：School of Mechanical and Aerospace Engineering, Nanyang Technological University, Singapore

  期刊：Science Advances

  说明：? 共同第一作者；* 通讯作者

  论文链接：https://www.science.org/doi/10.1126/sciadv.aeg3346

  下载：论文原文。