Soft robots are interesting examples of hyper-redundancy in robotics, however, the nonlinear continuous dynamics of these robots and the use of hyper-elastic and visco-elastic materials makes modeling of these robots more complicated. This study presents a geometric Inverse Kinematic (IK) model for trajectory tracking of multi-segment extensible soft robots, where, each segment of the soft actuator is geometrically approximated with multiple rigid links connected with rotary and prismatic joints. Using optimization methods, the desired configuration variables of the soft actuator for the desired end-effector positions are obtained. Also, the redundancy of the robot is applied for second task applications, such as tip angle control. The model's performance is investigated through simulations, numerical benchmarks, and experimental validations and results show lower computational costs and higher accuracy compared to most existing methods. The method is easy to apply to multi segment soft robots, both in 2D and 3D. As a case study, a fully 3D-printed soft robot manipulator is tested using a control unit and the model predictions show good agreement with the experimental results.

软机器均由柔顺性和可变形的材料制成，可以对传统的刚性机器人进行具有挑战性的任务。软机器人的固有依从性使其更适合和适应与人类和环境的相互作用。然而，这种优势以成本为准：他们的连续性性质使得强大地发展基于稳健的基于模型的控制策略。具体地，解决这一挑战的自适应控制方法尚未应用于物理软机械臂。这项工作介绍了使用Euler-Lagrange方法对软连续式机械手进行动态的重新装配。该模型消除了先前作品中的简化假设，并提供了更准确的机器人惯性描述。基于我们的模型，我们介绍了任务空间自适应控制方案。该控制器对模型参数不确定性和未知输入干扰具有稳健。控制器在物理软连续臂上实现。进行了一系列实验以验证控制器在不同有效载荷下的任务空间轨迹跟踪中的有效性。在准确性和稳健性方面，控制器均优于最先进的方法。此外，所提出的基于模型的控制设计是柔性的，并且可以广泛地推广到具有任意数量的连续段的任何连续型机器人臂。

提出了一种新型的半分析方法来开发由高度柔性成员（HFM）制成的机器人（PRB）模型，例如弯曲和连续机器人，对PRB的自由度无限模型。所提出的方法具有简单的公式，但精度很高。此外，它可以描述HFM沿其长度变化的曲率和刚度。该方法为PRB建模的高度耦合非线性约束优化问题提供了半分析解决方案，可以扩展到由HFM组成的可变长度机器人，例如导管和同心管机器人。我们还表明，该方法可以获得只有三个参数的均匀刚性HFM的PRB模型。该方法的多功能性在连续机器人的HFM的各种应用中进行了研究。模拟表明，PRB模型的精度总体上有了显着改善，并且配方的复杂性降低。

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。

“无限”软机械臂自由度的自由度使他们的控制尤其具有挑战性。在本文中，我们利用了先前开发的模型，将软臂的等效绘制到一系列通用接头，设计两个闭环控制器：用于轨迹跟踪的配置空间控制器和用于位置控制的任务空间控制器末端效应。在四段软手臂上的广泛实验和模拟证明了以下方面的大量改进：a）配置空间控制器的卓越的跟踪精度和B）减少了任务空间控制器的稳定时间和稳态误差。还验证了任务空间控制器在软臂和环境之间存在相互作用的情况下有效。

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。

机器人社区在为软机器人设备建模提供的理论工具的复杂程度中看到了指数增长。已经提出了不同的解决方案以克服与软机器人建模相关的困难，通常利用其他科学学科，例如连续式机械和计算机图形。这些理论基础通常被认为是理所当然的，这导致复杂的文献，因此，从未得到完整审查的主题。Withing这种情况下，提交的文件的目标是双重的。突出显示涉及建模技术的不同系列的常见理论根源，采用统一语言，以简化其主要连接和差异的分析。因此，对上市接近自然如下，并最终提供在该领域的主要作品的完整，解开，审查。

飞行操纵器是带有附着的刚性机器人的空中无人机，属于机器人的最新和最积极开发的研究领域。这些臂的刚性性质往往缺乏遵守，灵活性和运动平滑。这项工作建议使用柔软的机器人臂连接到全向微空中飞行器（OMAV），以利用臂的柔顺和灵活的行为，同时留下可操纵和动态的，感谢全向无人机作为浮座。随机臂的统一在这种组合平台的建模和控制中造成挑战;这些挑战是通过这项工作解决的。我们基于三个建模原理提出了飞行机械手的统一模型：分段恒定曲率（PCC）和增强刚体模型（ABBM）假设用于建模软连续式机器人和传统刚体机器人借用的浮动基础方法文学。为了演示该参数化的有效性和有用性，实现了一种基于分层模型的反馈控制器。在各种动态任务的模拟中验证并评估控制器，其中检查并验证了该平台的无缺陷运动，干扰恢复和轨迹跟踪能力。软飞行机械手平台可以在空中建筑，货物交付，人力援助，维护和仓库自动化中打开新的应用领域。

虽然在各种应用中广泛使用刚性机器人，但它们在他们可以执行的任务中受到限制，并且在密切的人机交互中可以保持不安全。另一方面，软机器鞋面超越了刚性机器人的能力，例如与工作环境，自由度，自由度，制造成本和与环境安全互动的兼容性。本文研究了纤维增强弹性机壳（释放）作为一种特定类型的软气动致动器的行为，可用于软装饰器。创建动态集参数模型以在各种操作条件下模拟单一免费的运动，并通知控制器的设计。所提出的PID控制器使用旋转角度来控制多项式函数之后的自由到限定的步进输入或轨迹的响应来控制末端执行器的方向。另外，采用有限元分析方法，包括释放的固有非线性材料特性，精确地评估释放的各种参数和配置。该工具还用于确定模块中多个释放的工作空间，这基本上是软机械臂的构建块。

这项工作着重于基于气动式柔软可穿戴设备的本体感受反馈的闭环控制，旨在将来支持婴儿完成任务。该设备包括两个柔软的气动执行器（一个基于纺织品和一个硅胶铸造），可积极控制每个手臂的两个自由度（分别为肩部内收/绑架和肘部屈曲/扩展）。可穿戴设备附加的惯性测量单元（IMU）提供实时关节角度反馈。通过文献中报道的婴儿（ARM长度）的人体测量数据来告知设备运动学分析。婴儿到达中的运动和肌肉共同激活模式被认为是为设备的最终效应器提供所需的轨迹。然后，开发了一个比例衍生的控制器来调节执行器内部的压力，然后沿着可及工作空间内的所需设定点移动手臂。提出了有关使用工程模特的跟踪所需的臂轨迹的实验结果，表明所提出的控制器可以帮助指导人体模特的腕部到达所需的设定点。

近二十年来，软机器人技术一直是机器人社区中的一个热门话题。但是，对于软机器人进行建模和分析的可用工具仍然有限。本文介绍了一个用户友好的MATLAB工具箱Soft Robot Simulator（Sorosim），该工具集合了Cosserat杆的几何变量应变（GVS）模型，以促进对软，刚性或混合机器人系统的静态和动力分析。我们简要概述了工具箱的设计和结构，并通过将其结果与文献中发布的结果进行比较。为了突出该工具箱有效建模，模拟，优化和控制各种机器人系统的潜力，我们演示了四个示例应用程序。所示的应用探索了单，分支，开放式和闭合链机器人系统的不同执行器和外部加载条件。我们认为，软机器人研究社区将从Sorosim工具箱中大大受益，用于多种应用。

在本文中，创建了具有定制设计的执行器空间弦编码器的增强软机器人原型，以研究动态软机器人轨迹跟踪。软机器人原型嵌入了所提出的自适应被动性控制和有效的动态模型，使具有挑战性的轨迹跟踪任务成为可能。我们通过在不同的操作场景上执行实验验证：各种跟踪速度和外部干扰来探索跟踪准确性以及提出的控制策略的全部潜力。在所有实验场景中，提出的自适应被动控制都优于常规PD反馈线性化控制。实验分析详细介绍了所提出的方法的优势和缺点，并指出了未来软机器人动态控制的下一步。

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。

Force modulation of robotic manipulators has been extensively studied for several decades. However, it is not yet commonly used in safety-critical applications due to a lack of accurate interaction contact modeling and weak performance guarantees - a large proportion of them concerning the modulation of interaction forces. This study presents a high-level framework for simultaneous trajectory optimization and force control of the interaction between a manipulator and soft environments, which is prone to external disturbances. Sliding friction and normal contact force are taken into account. The dynamics of the soft contact model and the manipulator are simultaneously incorporated in a trajectory optimizer to generate desired motion and force profiles. A constrained optimization framework based on Alternative Direction Method of Multipliers (ADMM) has been employed to efficiently generate real-time optimal control inputs and high-dimensional state trajectories in a Model Predictive Control fashion. Experimental validation of the model performance is conducted on a soft substrate with known material properties using a Cartesian space force control mode. Results show a comparison of ground truth and real-time model-based contact force and motion tracking for multiple Cartesian motions in the valid range of the friction model. It is shown that a contact model-based motion planner can compensate for frictional forces and motion disturbances and improve the overall motion and force tracking accuracy. The proposed high-level planner has the potential to facilitate the automation of medical tasks involving the manipulation of compliant, delicate, and deformable tissues.

Solving the analytical inverse kinematics (IK) of redundant manipulators in real time is a difficult problem in robotics since its solution for a given target pose is not unique. Moreover, choosing the optimal IK solution with respect to application-specific demands helps to improve the robustness and to increase the success rate when driving the manipulator from its current configuration towards a desired pose. This is necessary, especially in high-dynamic tasks like catching objects in mid-flights. To compute a suitable target configuration in the joint space for a given target pose in the trajectory planning context, various factors such as travel time or manipulability must be considered. However, these factors increase the complexity of the overall problem which impedes real-time implementation. In this paper, a real-time framework to compute the analytical inverse kinematics of a redundant robot is presented. To this end, the analytical IK of the redundant manipulator is parameterized by so-called redundancy parameters, which are combined with a target pose to yield a unique IK solution. Most existing works in the literature either try to approximate the direct mapping from the desired pose of the manipulator to the solution of the IK or cluster the entire workspace to find IK solutions. In contrast, the proposed framework directly learns these redundancy parameters by using a neural network (NN) that provides the optimal IK solution with respect to the manipulability and the closeness to the current robot configuration. Monte Carlo simulations show the effectiveness of the proposed approach which is accurate and real-time capable ($\approx$ \SI{32}{\micro\second}) on the KUKA LBR iiwa 14 R820.

机器人布操作是自动机器人系统的相关挑战性问题。高度可变形的对象，因为纺织品在操纵过程中可以采用多种配置和形状。因此，机器人不仅应该了解当前的布料配置，还应能够预测布的未来行为。本文通过使用模型预测控制（MPC）策略在对象的其他部分应用动作，从而解决了间接控制纺织对象某些点的配置的问题，该策略还允许间接控制的行为点。设计的控制器找到了最佳控制信号，以实现所需的未来目标配置。本文中的探索场景考虑了通过抓住其上角，以平方布的下角跟踪参考轨迹。为此，我们提出并验证线性布模型，该模型允许实时解决与MPC相关的优化问题。增强学习（RL）技术用于学习所提出的布模型的最佳参数，并调整所得的MPC。在模拟中获得准确的跟踪结果后，在真实的机器人中实现并执行了完整的控制方案，即使在不利条件下也可以获得准确的跟踪。尽管总观察到的误差达到5 cm标记，但对于30x30 cm的布，分析表明，MPC对该值的贡献少于30％。

向前和向后触及逆运动学（FABRIK）是一种启发式逆运动求解器，逐渐应用于具有快速收敛和生成更真实配置的优势的操纵器。但是，在高误差限制下，Fabrik表现出不稳定的收敛行为，这对于操纵器的实时运动计划是不满意的。在本文中，提出了一种结合Fabrik和顺序二次编程（SQP）算法的新型逆运动学算法，其中Fabrik推迟的关节角度将被视为SQP算法的初始种子，以避免粘在局部最小值中。通过实验评估合并的算法，在高误差约束下，我们的算法比FabRik获得更高的成功率和更快的解决方案时间。此外，联合算法可以在路径跟踪中为UR5和KUKA LBR IIWA 14 R820操纵器生成连续轨迹，而无姿势误差和最终效应器的允许位置误差。

手剪切辅助（HSA）是制造电动机驱动，柔软的连续内机器人的有希望的技术。从检查任务到太阳能跟踪的许多潜在应用都需要准确的运动模型来预测这些结构的位置和方向。目前没有基于HSA的连续体平台的型号。为了解决这个差距，我们建议使用长度变化耦合矩阵来调整分段恒定曲率（PCC）模型。这模拟了HSA结构在2x2阵列中的交互。耦合矩阵将电机角度的变化映射到长度的变化，并在修改的PCC模型中定义了配置空间。我们在包含弯曲，延伸和压缩行为的复合运动上评估我们的模型。我们的模型实现了位置精度，平均误差为5.5mm或4.5％的体长和标准偏差为1.72mm。此外，我们通过-2.8 $ ^ \ circ $和1.9 $ ^ \ circ $的平均误差达到角度精度。

本文提出了一种具有平行$ - $串行结构的重型操纵器的新颖建模方法。每次考虑并行$ - $串行结构包含一个旋转段，其具有由无源旋转接头连接的刚性连杆，并由线性液压致动器致动，从而形成闭合的运动回路。另外，也考虑由由液压线性致动器驱动的棱柱接头组成的棱柱形段。执行器力的表达式使用Newton $ - $ euler（n $ - $ e）动态制定。推导过程不假设从操纵器链路解耦的无麻麻空致动器，这在拉格朗日动力学制剂中是常见的。致动器压力动力学包括在分析中，总共引进到普通微分方程（ODES）的三阶系统。在N $ - $ E框架中提出的模型，比其前身更少的参数，激发了虚拟分解控制（VDC）系统过程的修订，以制定基于新模型的控制法。获得每个通用机械手旋转和棱柱形段的虚拟稳定性，导致整个机器人的Lyapunov稳定性。

在腿部机器人技术中，计划和执行敏捷的机动演习一直是一个长期的挑战。它需要实时得出运动计划和本地反馈政策，以处理动力学动量的非物质。为此，我们提出了一个混合预测控制器，该控制器考虑了机器人的致动界限和全身动力学。它将反馈政策与触觉信息相结合，以在本地预测未来的行动。由于采用可行性驱动的方法，它在几毫秒内收敛。我们的预测控制器使Anymal机器人能够在现实的场景中生成敏捷操作。关键要素是跟踪本地反馈策略，因为与全身控制相反，它们达到了所需的角动量。据我们所知，我们的预测控制器是第一个处理驱动限制，生成敏捷的机动操作以及执行低级扭矩控制的最佳反馈策略，而无需使用单独的全身控制器。