软体机器人因结构柔顺，在复杂环境互动中优势明显，但其控制一直是难题。传统建模方法在速度、精度和泛化性上难以兼顾。一项名为DD-PINN的新技术，通过融合物理原理与神经网络，成功破解了这一“不可能三角”，不仅将模型预测速度提升数百倍，更实现了对未知工况的精准适应，为软体机器人实用化铺平了道路。
智能速览
软体机器人控制长期受限于速度、精度与泛化性的“不可能三角”。
DD-PINN通过融合物理规律与数据驱动，实现了三者兼得。
新架构通过解耦时间域，将模型训练速度和数值稳定性显著提升。
模型预测速度比传统高精度物理模型快了467倍。
基于此技术实现了47Hz的实时控制，并能适应未知负载和姿态。
精华内容
这项突破的核心在于巧妙地让神经网络“学习”物理定律，并通过架构革新解决了传统方法的瓶颈。下面将详细解构其技术路径与实验验证。
传统建模的困境
软体机器人控制面临一个根本性难题：如何在速度、精度和泛化性之间取得平衡。基于第一性原理（FP）的物理模型精度高、泛化能力强，能理解物理规律，但其计算过程极其耗时，单步预测需15至18毫秒，几乎占满了20毫秒的整个控制周期，无法满足实时性要求。
另一类是数据驱动的“黑盒”模型，如RNN，其预测速度极快，但致命弱点是泛化能力差。模型只能对训练数据覆盖的工况进行插值预测，一旦面对未知的负载或基座角度变化，其动力学特性偏离训练域，预测便会彻底失效，需要海量数据来应对所有可能的工况，成本高昂且不现实。
DD-PINN的架构革新
为解决上述困境，研究团队提出了域解耦物理信息神经网络（DD-PINN）。该方法的核心是让神经网络在拟合数据的同时学习物理规律，将物理方程作为约束项加入训练过程。
更关键的革新在于“域解耦”架构。传统PINN直接预测状态变量，计算开销大。DD-PINN则引入Ansatz试探函数，不再直接预测状态，而是预测定义轨迹形状的参数组。该函数对时间的导数有解析解，无需通过自动微分计算，极大提升了训练速度和数值稳定性。同时，通过将末端负载和基座角度等“域变量”作为输入，模型学会了物理规律，从而获得了对未见工况的“零样本”泛化能力。
速度与精度的验证
在基于“SPONGE”开源5自由度软体机器人平台的实验中，DD-PINN的性能得到充分验证。在计算效率上，其单步预测时间仅为0.04毫秒，比高精度的FP模型（18.67毫秒）快了近467倍，甚至比纯数据驱动的RNN（0.08毫秒）更快，因为它更适合并行计算。
在泛化能力测试中，DD-PINN与RNN表现迥异。研究团队仅在单一工况（0°基座，0g负载）下训练模型。在涵盖12种不同负载和基座角度的测试域中，DD-PINN在所有未见工况下均保持了高精度，而RNN在面对200g负载和90°基座时，位置预测误差比训练域内增加了两倍以上。DD-PINN能准确捕捉重力矩变化引起的非对称速度响应，证明了其物理约束的有效性。
实现47Hz实时控制
该研究的最终目标是实现高性能的闭环控制。利用DD-PINN作为内部模型，研究团队成功构建了非线性模型预测控制（NMPC）系统，并在物理样机上实现了47Hz的稳定控制频率，足以覆盖软体机器人的主要动态带宽。
在动态跟踪实验中，DD-PINN-NMPC展现了卓越性能。尤其是在基座倾斜90°并带有200g负载的极端工况下，其平均跟踪误差比传统PI控制器降低了约30%。最突出的是“零样本自适应”能力，当负载或姿态改变时，只需更新控制器中的域变量，无需重新训练或调整参数，系统即可自动适应新环境，展现了比传统控制更高级的智能决策能力。
DD-PINN的成功，标志着软体机器人控制从理论走向实用迈出了关键一步。通过赋予模型“理解”物理的能力，它解决了长期存在的性能权衡问题。未来，这些更智能、适应性更强的机器人将如何改变工业、医疗乃至日常生活？
