一种受大脑神经突触启发的通用软体机器人控制器

人类智能源于柔顺形态与自适应学习认知系统的相互作用。软机器人虽具备类似的机械柔顺性，但缺乏能跨任务泛化并适应未知条件的学习能力。为此，研究提出一种受神经元启发的控制框架，该框架将离线-在线配对分解与学习到的收缩度量相结合。其中，离线“结构突触”负责编码与任务无关的特征，而在线“可塑性突触”则是通过与长时程增强和抑制一致的误差门控规则更新的特定配置参数。收缩度量作为内稳态约束，为系统提供稳定性保证。

研究在绳驱动和形状记忆合金软臂上进行了验证，涉及轨迹跟踪、拾取放置及全身塑形任务。与基线方法相比，该方法在不同干扰条件（包括负载变化、动态气流和执行器故障）下，轨迹跟踪误差降低44%至55%，形状精度保持在92%以上。这些结果证实了该控制器能适应多种软臂、任务及干扰，是一种具有通用性的软机器人控制方案。