合工大研究︳分段学习助力绳牵引并联连续体机器人运动学建模精度提升

导语

绳牵引并联连续体机器人因其结构柔顺性，在复杂环境操作中展现出显著优势，但其运动学建模涉及多空间映射，精度验证难度较高。围绕这一问题，合肥工业大学王正雨副教授团队提出一种基于 Transformer 分段学习的绳牵引并联连续体机器人运动学建模方法，并通过 NOKOV 度量动作捕捉系统采集机器人运动轨迹数据，对模型预测结果进行实验验证。相关研究论文发表于工程技术领域期刊Proc IMechE Part C: J Mechanical Engineering Science。

一、研究背景：绳牵引并联连续体机器人运动学建模挑战

绳牵引并联连续体机器人因其结构柔顺性，在狭窄空间和复杂环境中的操作展现出巨大潜力。然而，其运动学建模过程复杂，传统建模方法在计算复杂度和模型精度方面存在局限。

近年来，数据驱动的学习方法被引入绳牵引并联连续体机器人的运动学建模中，但在处理任务空间、配置空间与执行空间之间的多重映射关系时仍存在不足，导致建模精度受限。针对上述问题，合肥工业大学王正雨副教授团队开展了系统研究。

二、研究对象

研究设计了一种平面的绳牵引并联连续体机器人（PCR），该机器人具有三个自由度，包括在平面内的平移和旋转。机器人的末端执行器呈等边三角形，通过耦合单元与连杆连接，连续体机制使用单自由度连续体机制。

PCR的结构，主要包括末端执行器、连续体机制、绳索和线性执行器

三、研究方法：Transformer 分段学习建模框架

1.分段学习策略：任务空间到执行空间映射

研究提出一种基于机器学习的分段学习策略，将绳牵引并联连续体机器人的运动学映射过程拆分为两个阶段：

从 任务空间到配置空间，即由末端执行器位置向量预测连续体机制关节向量；

从 配置空间到执行空间，即由连续体关节预测向量进一步映射至电机位移预测向量。

通过分段学习方式，有效降低了整体建模复杂性。

2.Transformer 网络在多空间建模中的作用

在上述分段学习框架中，引入 Transformer 网络作为基础建模单元。Transformer 网络通过自注意力机制和前馈神经网络结构，实现长序列建模，具备全局特征提取与并行计算能力，从而增强了不同系统映射关系的建模能力，实现准确的回归预测。

Transformer-based Segmented Learning方法的结构，包括基于Transformer的神经网络单元以及从任务空间到配置空间再到执行空间的分段学习框架

四、实验验证：基于 NOKOV 度量动作捕捉的轨迹采集与误差评估

1.实验平台与 NOKOV 动作捕捉系统部署

为验证所提出建模方法的有效性，研究搭建了完整实验平台，包括绳牵引并联连续体机器人、电机驱动器、校准杆以及 NOKOV 度量动作捕捉系统。实验现场共部署 4 组 Pluto 1.3C 动作捕捉镜头，实时采集机器人末端执行器位置与连续体机制弯曲角度数据。

实验平台，包括绳牵引并联连续体机器人（PCR）、NOKOV运动捕捉镜头、电机驱动器和主机计算机

NOKOV 度量动作捕捉系统为实验提供机器人实际运动轨迹数据，用于模型预测结果的验证。

2.轨迹实验设计与结果分析

研究设计了圆形轨迹和方形轨迹实验，用于评估所提出方法与传统建模方法在轨迹跟踪精度方面的差异。实验结果表明，基于 Transformer 的分段学习方法在最大误差、平均绝对误差和均方根误差等指标上均显著优于传统方法。

实验中，NOKOV 度量动作捕捉系统提供亚毫米级精度的机器人实际运动轨迹数据，用以分析误差并验证新建模方法的有效性。

五、绳牵引并联连续体机器人运动学建模FAQ

FAQ

Q1：绳牵引并联连续体机器人运动学建模为什么难以验证精度？
A1：绳牵引并联连续体机器人涉及任务空间、配置空间与执行空间之间的多重映射关系，运动学模型复杂。模型预测结果是否准确，需通过对机器人实际运动轨迹的精确测量进行验证，这对实验测量系统的精度和稳定性提出了较高要求。

Q2：该研究如何获取连续体机器人真实运动轨迹用于验证模型？
A2：在实验中，研究团队采用 NOKOV 度量动作捕捉系统实时采集绳牵引并联连续体机器人末端执行器的位置及连续体机制的弯曲角度，获取机器人实际运动轨迹数据，作为模型预测结果的对照依据。

Q3：NOKOV 度量动作捕捉系统在实验验证中承担什么角色？
A3：在本研究中，NOKOV 度量动作捕捉系统作为实验测量工具，为绳牵引并联连续体机器人运动学建模方法提供机器人真实运动轨迹数据，用于分析误差并验证基于 Transformer 分段学习方法的有效性。

Q4：该方法的实验验证是在什么场景下完成的？
A4：研究在绳牵引并联连续体机器人实验平台上，设计了圆形轨迹和方形轨迹实验。实验过程中，通过 NOKOV 度量动作捕捉系统采集机器人运动轨迹，对不同建模方法的轨迹跟踪误差进行评估。

六、作者与论文信息

该研究成果由合肥工业大学机械工程学院王正雨副教授团队完成。

Liu X, Wang Z, Li Z, Ma L, Wang D, Xu X. Transformer-based segmented learning for kinematics modelling of a cable-driven parallel continuum robot. Proceedings of the Institution of Mechanical Engineers, Part C. 2025;239(8):2942-2952. doi:10.1177/09544062241306683