The precise control of soft and continuum robots requires knowledge of their shape. The shape of these robots has, in contrast to classical rigid robots, infinite degrees of freedom. To partially reconstruct the shape, proprioceptive techniques use built-in sensors resulting in inaccurate results and increased fabrication complexity. Exteroceptive methods so far rely on placing reflective markers on all tracked components and triangulating their position using multiple motion-tracking cameras. Tracking systems are expensive and infeasible for deformable robots interacting with the environment due to marker occlusion and damage. Here, we present a regression approach for 3D shape estimation using a convolutional neural network. The proposed approach takes advantage of data-driven supervised learning and is capable of real-time marker-less shape estimation during inference. Two images of a robotic system are taken simultaneously at 25 Hz from two different perspectives, and are fed to the network, which returns for each pair the parameterized shape. The proposed approach outperforms marker-less state-of-the-art methods by a maximum of 4.4\% in estimation accuracy while at the same time being more robust and requiring no prior knowledge of the shape. The approach can be easily implemented due to only requiring two color cameras without depth and not needing an explicit calibration of the extrinsic parameters. Evaluations on two types of soft robotic arms and a soft robotic fish demonstrate our method's accuracy and versatility on highly deformable systems in real-time. The robust performance of the approach against different scene modifications (camera alignment and brightness) suggests its generalizability to a wider range of experimental setups, which will benefit downstream tasks such as robotic grasping and manipulation.

软机器人技术有可能改变机器人运动，特别是软机器人游泳者提供了一种微创和自适应的解决方案，以探索和保存我们的海洋。不幸的是，当前的软机器人游泳者非常劣于进化的生物游泳者，尤其是在可控性，效率，可操作性和寿命方面。此外，设计软机器人所需的乏味的迭代制造和经验测试阻碍了它们的优化。在这项工作中，我们通过为设计和制造配备静电驱动的软机器人游泳者提供高效且直接的管道来应对这一挑战。我们简化了允许快速增材制造的过程，并显示如何使用可区分的模拟将简化模型与机器人游泳器的真实变形匹配。我们通过改变游泳者的拮抗肌肉的电压和驱动频率来对制造的游泳者进行多个实验。我们展示了在液态油中移动时的电压和频率如何改变游泳者的运动速度，并在前进的游泳速度下观察到明显的最佳选择。我们提出的可区分模拟模型具有各种下游应用，例如游泳者的控制和形状优化；通过我们的SIM到现实匹配，可以将优化结果直接映射回真实机器人。

为了使软机器人在以人为本的环境中有效工作，他们需要能够根据（本体感受）传感器估算其状态和外部相互作用。估计干扰使软机器人可以执行理想的力控制。即使在刚性操纵器的情况下，最终效应器的力估计也被视为一个非平凡的问题。实际上，其他当前应对这一挑战的方法也存在防止其一般应用的缺点。它们通常基于简化的软动力学模型，例如依赖于零件的恒定曲率（PCC）近似值或匹配的刚体模型的模型，这些模型并不代表该问题的细节。因此，无法构建复杂的人类机器人互动所需的应用。有限元方法（FEM）允许以更通用的方式预测软机器人动力学。在这里，使用框架沙发的软机器人建模功能，我们构建了一个详细的FEM模型，该模型由多段的软连续机器人手臂组成，该机器人由合规的可变形材料和纤维增强的压力驱动室组成，并具有用于提供方向输出的传感器的模型。该模型用于为操纵器建立状态观察者。校准模型参数以使用物理实验匹配手动制造过程的缺陷。然后，我们解决了二次编程逆动力学问题，以计算解释姿势误差的外力的组成部分。我们的实验显示，平均力估计误差约为1.2％。由于提出的方法是通用的，因此这些结果令人鼓舞，该任务是构建可以在以人为中心的环境中部署的复杂，反应性，基于传感器的行为的软机器人。

空气中的快速且通用的物体操纵是一个开放的挑战。节能和自适应的软抓地力与敏捷航空媒介相结合可以彻底改变仓库等区域的空中机器人操纵。本文提出了一个由生物启发的抓斗者，该抓地力由安装在四轮驱动器上的液压放大的静电执行器提供动力，该执行器可以与其环境安全自然地相互作用。我们抓紧的概念是由鹰的脚激励的。我们的自定义多动物概念的灵感来自蝎子尾部设计（由邻接的小袋组成的基本电极组成）和蜘蛛启发的接头（经典的小袋电动机，带有灵活的铰链层）。与单铰链概念相比，这两种设计的混合体在高达25 {\ deg}的中等偏转下实现了更高的力输出。此外，将铰链层夹紧可改善抓手的稳健性。我们第一次表明，使用静电致动，空气中的软操作可能是可能的。这项研究证明了在空中机器人操作中不受束缚的液压扩增的执行器的潜力。我们的概念证明为在移动航空系统中使用液压静电执行器的使用打开了。

流体驱动的软机器人具有有希望的功能，例如固有的合规性和用户安全。软机器人的控制需要正确处理非线性致动力学，运动限制，工作空间限制和可变形状刚度，因此对于所有这些问题，拥有独特的算法将是非常有益的。在这项工作中，我们将流行的刚性机器人的模型预测控制（MPC）适应为称为Sopra的软机器人臂。我们通过提出一个以模块化方式处理这些框架来解决当前控制方法面临的挑战。尽管以前的工作着重于联合空间公式，但我们通过模拟和实验结果表明，可以成功实施任务空间MPC来进行动态软机器人控制。我们提供了一种方法，可以将零件的恒定曲率和增强的刚体模型假设与内部和外部约束和驱动动力学相结合，并提供了将这些方面团结起来并优化它们的算法。我们认为，基于我们方法的MPC实施可能是解决统一和模块化框架内的大多数基于模型的软机器人控制问题的方法，同时允许包括通常属于其他控制域（例如机器学习技术）的改进。

由于其合规性，安全性和高度自由，软机器人对操纵任务的操纵任务很有希望。然而，常用的双向连续段设计意味着软机器人操纵器仅在有限的半球工作空间中起作用。这项工作通过在软臂底部设计，制造和控制一个额外的软棱镜执行器来增加软机器人的工作区。该执行器由气动人造肌肉和活塞组成，使执行器可驱动。我们将任务空间量增加116 \％，现在我们能够执行以前不可能用于软机器人的操纵任务，例如拾取和将对象放在表面上的不同位置并从容器中抓住对象。通过将软机器人的臂与棱镜关节相结合，我们大大提高了软机器人对物体操纵的可用性。这项工作促进了在以人为本环境中进行实际操纵应用的集成和模块化软机器人系统的使用。

水生运动是生物学家和工程师感兴趣的经典流体结构相互作用（FSI）问题。求解完全耦合的FSI方程，用于不可压缩的Navier-Stokes和有限的弹性在计算上是昂贵的。在这种系统中，优化机器人游泳器设计通常涉及在已经昂贵的模拟之上繁琐的，无梯度的程序。为了应对这一挑战，我们提出了一种针对FSI的新颖，完全可区分的混合方法，该方法结合了2D直接数值模拟，用于游泳器的可变形固体结构和物理受限的神经网络替代物，以捕获流体的流体动力效应。对于游泳者身体的可变形实心模拟，我们使用来自计算机图形领域的最新技术来加快有限元方法（FEM）。对于流体模拟，我们使用经过基于物理损耗功能的U-NET体系结构来预测每个时间步骤的流场。使用沉浸式边界方法（IBM）在我们游泳器边界的边界周围采样了来自神经网络的压力和速度场输出，以准确有效地计算其游泳运动。我们证明了混合模拟器在2D Carangiform游泳器上的计算效率和可不同性。由于可怜性，该模拟器可用于通过基于直接梯度的优化浸入流体中的软体体系的控件设计。

快速的空中抓握机器人可以导致许多应用程序，这些应用程序利用了快速，动态的拾取和放置对象。传统上用于空中操纵器中的刚性握手需要高精度和特定的物体几何形状才能成功抓握。我们提出了猛禽（Raptor），这是一个四轮摩托车平台，结合了自定义的鳍射线抓地力，以实现具有不同几何形状的物体的更灵活的抓握，利用软材料的特性来增加抓地力和物体之间的接触表面。为了减少通信延迟，我们提出了一种基于快速DDS（数据分配服务）的新的轻型中间件解决方案，作为ROS（机器人操作系统）的替代方案。我们表明，猛禽在现实环境中平均达到了83％的抓地力，用于四种不同的物体几何形状，同时在握把期间以1 m/s的平均速度移动。在高速设置中，与以前的作品相比，Raptor最多支持有效载荷的四倍。我们的结果突出了自动仓库中航空无人机的潜力以及其他在难以到达的地方运行时速度，迅速和鲁棒性至关重要的操作应用。

软机械设计与控制的共同优化需要快速实现现实验证的快速手段。现有的创建管道不允许软机器的SWIFT原型，以便快速测试各种设计配置和控制策略。这项工作提出了一种用于快速迭代设计和制造小型化模块化硅氧烷弹性体的机器人鱼类的管道。模块化设计允许具有不同配置的机器人鱼类简单快速迭代，以帮助目前对设计优化方法的开发的研究。所提出的机器人鱼可以用作标准化的测试平台，可以在哪些性能度量如推力和运动范围之类的标准化测试平台。我们进一步展示了能够测量输入压力，尾部变形和推力的水下评估设置的设计。制造和实验评估具有不同刚度和内部气动室配置的多种机器人鱼原型。机器人的灵活模块化设计原理及其评估平台解锁了更有效的软机器人鱼类的可能性，将来有利于未来设计优化和水下勘探的研究。

动态运动是机器人武器的关键特征，使他们能够快速有效地执行任务。在任务空间运行时，软连续式操纵器目前尚未考虑动态参数。这种缺点使现有的软机器人缓慢并限制了他们处理外力的能力，特别是在物体操纵期间。我们通过使用动态操作空间控制来解决此问题。我们的控制方法考虑了3D连续体臂的动态参数，并引入了新模型，使多段软机械师能够在任务空间中顺利运行。先前仅为刚性机器人提供的先进控制方法现在适用于软机器;例如，潜在的场避免以前仅针对刚性机器人显示，现在延伸到软机器人。使用我们的方法，柔软的机械手现在可以实现以前不可能的各种任务：我们评估机械手在闭环控制实验中的性能，如拾取和障碍物避免，使用附加的软夹具抛出物体，并通过用掌握的粉笔绘制来故意将力施加到表面上。除了新的技能之外，我们的方法还提高了59％的跟踪精度，并将速度提高到19.3的尺寸，与最新的任务空间控制相比。通过这些新发现能力，软机器人可以开始挑战操纵领域的刚性机器人。我们固有的安全和柔顺的软机器人将未来的机器人操纵到一个不用的设置，其中人和机器人并行工作。