像肌肉一样调节刚度：让拮抗软体机器人更稳、更准地完成任务

软体机器人柔软结构能够安全接触物体、适应复杂环境，但存在承载能力不足、运动精度有限和抗扰能力弱等问题。生物肌肉提供启发：拮抗肌肉同时收缩可保持关节姿态基本不变，同时提高整体刚度，使动作更稳定。近日，南洋理工大学团队在《Science Advances》发表题为“Muscle Coactivation-Inspired Stiffness-Driven Control Strategy for Antagonistic Soft Robots”的研究论文，借鉴肌肉协同激活机制，提出面向拮抗软体机器人的刚度驱动数据控制策略。该策略不依赖复杂解析模型，也不要求实时测量刚度，而是从运动数据中学习机器人动力学，并在控制过程中同时考虑运动目标和刚度需求。研究基本单元由两个背靠背布置的软体驱动腔体组成，两侧负压差决定弯曲，共同激活水平影响刚度。有限元结果表明弯曲刚度可由约0.02 N·m/rad提升至1.79 N·m/rad，变化约88倍；同一姿态可对应不同刚度状态。团队使用状态与控制输入数据构建Koopman动力学模型，将非线性状态映射到高维空间近似线性预测，并结合模型预测控制在线优化。控制框架包括刚度驱动求解器和基于深度Koopman的前馈补偿器，无需显式解析刚度模型或实时刚度测量。实验表明，相比PD控制、未显式考虑刚度的Koopman-MPC和强化学习，所提方法在轨迹跟踪中更平稳，在负载扰动下形变和偏差更小。刚度并非越高越好，需与运动目标一起优化。三指软体夹爪实验中，对刚性物体的最大抓取力较PD控制提高30%-391%；利用接触后跟踪偏差可对PLA模型、海绵、棉袋和硅胶环进行刚度排序。液体输运和可重构桥梁任务中，闭环控制也减少了泄漏和下沉等问题。方法同样适用于肌腱驱动拮抗软体机器人，只需将刚度约束由气动输入改写为肌腱张力。该研究将刚度从被动机械属性转化为控制器主动利用的变量，提供了一条相对通用、部署门槛较低的路径，让拮抗软体机器人在学习运动规律的同时学会利用可变刚度。局限在于有限数据学习模型在长期老化磨损后可能失准，刚度仍为间接调节而非显式实时闭环。