全球首个肌肉驱动机器人成功完成Sim-to-Real迁移!
气动人工肌肉(PAMs)搭配肌腱传动的机械臂,因其驱动单元可布置于基座、降低运动部件质量,且具备天然的机械柔顺性与高爆发力,被视为最贴近生物运动逻辑的理想形态。然而,这种设计在实际落地中长期面临困境:肌肉与肌腱耦合带来的高度非线性、迟滞效应及变摩擦特性,使传统解析建模失效,导致仿真到现实(Sim-to-Real)的迁移无法实现。2026年4月,马克斯·普朗克智能系统研究所联合多所高校提出广义执行器网络(GeAN),在四自由度气动肌肉驱动机械臂PAMY2上,首次实现了复杂动态任务的纯仿真训练与零样本实机部署。
01技术痛点:传统Sim-to-Real路径失效
气动人工肌肉的输出力与气压、长度呈强非线性关系,且存在显著迟滞效应,环境温度与肌肉疲劳也会持续改变其动态特性。肌腱传动在四自由度结构下进一步放大了建模难度,摩擦系数随关节角度、张力与速度实时变化,形成多变量强耦合系统。这导致仿真与实机的动态偏差巨大,传统依赖域随机化的Sim-to-Real方法陷入两难:增加噪声会导致策略性能崩塌,减少噪声则无法覆盖现实动态范围。此前的研究仅局限于单关节简单动作,无法支持多自由度复杂任务。
建模路径对比
传统方法
依赖固定参数的物理公式逼近
无法兼容肌肉迟滞与变摩擦特性
域随机化应对巨大偏差导致策略失效
仅能实现单关节或极简动态任务


GeAN创新
模块化拆分动力学,仅用神经网络学习执行器
抛弃扭矩传感器,仅需关节位置轨迹
增量历史序列输入,精准捕捉迟滞特性
实现四自由度复杂任务零样本迁移
02核心创新:广义执行器网络(GeAN)
GeAN的设计核心在于摆脱对扭矩传感器的依赖,直接从关节位置轨迹中学习控制信号到关节扭矩的映射关系。为捕捉迟滞特性,网络输入采用增量历史序列而非单一时刻状态,并使用零均值、单位方差归一化处理。在训练中,团队采用了“位置损失”策略:将网络预测的扭矩输入仿真器,直接计算仿真输出与真实关节位置的偏差作为损失函数。相比直接优化扭矩空间,该方法能避免扭矩误差到位置误差的传递不确定性。此外,通过构建由5个GeAN组成的集成模型,在低数据场景下显著提升了策略迁移的鲁棒性。
- 04月
- 04月
- 04月
- 查看全部进展
03实验验证:高精度与动态控制突破
研究团队选取精准目标到达与动态杯球两大任务进行验证。精准目标到达任务要求机械臂四关节平均位置误差小于2°,主要测试执行器建模精度。动态杯球任务则要求甩动绳索悬挂的小球入杯,涉及外部负载、动态耦合与视觉干扰,是检验仿真迁移效果的黄金标准。
| 任务类型 | 集成GeAN成功率 | 单一GeAN成功率 | 关键性能指标 |
|---|---|---|---|
| 精准目标到达 | 90% | 93% | 平均误差1.32° |
| 动态杯球 | 75% | 74% | 全球首次肌肉驱动Sim-to-Real |
PAMY2机械臂实机测试结果(基于100次试验)
实验结果表明,集成GeAN策略在精准到达任务中成功率达90%,平均误差仅1.32°,在杯球任务中成功率达75%。失败案例主要源于绳索碰撞与接触动力学偏差,与执行器建模无关。数据效率探索发现,仅需33分钟的实机采集数据(1000条轨迹),GeAN即可保持高精度建模,大幅降低了工程落地门槛。
04行业意义
GeAN的提出从根源上解决了肌肉驱动机械臂的产业化核心障碍。通过数据驱动的方式解决极端复杂的动力学建模问题,使得这种具备高安全边际、高动态性能的机器人设计具备了走出实验室、进入真实人机共融场景的可能,为柔性机器人的规模化应用奠定了技术基础。
当前文章无评论,是时候发表评论了