檢視引用/資訊源請點選：映維網
柔性緻動器
（映維網 2021年12月15日）由于柔性緻動器比剛性執行器具有更好的接觸柔順性、更低的重量和阻力，是以柔性緻動器在機器人和可穿戴觸覺領域越來越流行。業界已經探索了一系列為柔性緻動器提供動力的不同能源，包括流體驅動、靜電驅動、電磁驅動和熱驅動。
由于其高能量密度和低阻力，柔性流體緻動器廣泛用于可穿戴裝置，而相關文獻主要探讨了恒定流體壓力控制（CFPC）來控制柔性緻動器。這種控制方法使用簡單的驅動結構（每個緻動器一個離散閥）和二進制（開-關）控制機制，允許緻動器壓力追蹤動态負載下的流體源壓力。
然而，CFPC是以而具有幾個局限性：（1）有限的動态範圍：柔性緻動器提供的力的動态範圍有限，并且僅受其工作壓力控制，因為緻動器壓力隻能在源壓力和大氣壓力之間切換；（2） 緻動器響應緩慢：柔性執行器的充氣和放氣響應時間由源壓力決定，不能獨立調節。（3） 低壓控制分辨率：這種類型的控制隻能實作緻動器壓力的二進制控制。（4） 非自然的觸覺互動：隻可能實作主動或外源控制緻動器壓力，它與使用者和緻動器的互動方式沒有内在聯系，進而導緻非自然的觸覺互動。
為了解決所述限制，美國西北大學和Meta在名為《Constant Fluidic Mass Control for Soft Actuators Using Artificial Neural Network Algorithm》的論文中提出了一種恒定流體品質控制（CFMC），其中恒定品質的流體困在緻動器内。當使用者與緻動器互動時，由于這種互動導緻的緻動器壓力任何變化可進一步幫助改善觸覺互動。與使用壓力傳感器和第一原理模型估算流體品質的文獻不同，團隊是通過精确控制閥門的定時，并将其困在緻動器内來調節流體品質。
使用CFMC的模拟壓力控制需要整個射流系統（包括緻動器）的可靠模型。有其他研究人員開發了基于第一性原理的理論模型來預測緻動器行為，但所述模型隻能在有限的輸入集合中近似緻動器的行為，不能可靠地捕捉流體系統中的所有非線性，是以很難對不同的柔性緻動器進行泛化。在研究中，美國西北大學和Meta為可穿戴觸覺提出了一種新的流體驅動方案CFMC。
據介紹，這種方法允許更大的動态範圍、更快的響應時間和柔性緻動器的模拟壓力控制，并産生更自然的觸覺互動。研究人員實作了一個射流系統來示範CFMC方法，并使用系統對柔性緻動器進行了實驗。另外，團隊提出了一種基于神經網絡的有監督學習算法，使模拟壓力控制的柔性緻動器使用CFMC，并泛化到新的緻動器。
實驗将CFMC與CFPC方法進行了比較。結果表明，CFMC可以增加柔性緻動器的動态範圍，縮短其響應時間以達到所需的壓力，并實作模拟壓力控制，進而提供更自然的觸覺回報。
圖1顯示了CFPC和CFMC的射流實作。這兩種實施方式之間的根本差別在于，在CFPC中，緻動器壓力隻能存在于源或大氣壓力（ATM）狀态，而在CFMC中，緻動器可以與源和大氣斷開，是以保持與源和大氣不同的狀态。
CFPC使用一個三通閥，使緻動器通過調節閥連接配接到壓縮空氣源。另一方面，CFMC采用兩個三通閥：一個供氣閥控制壓縮空氣的進氣，另一個排氣閥控制通向ATM的排氣。CFMC然後根據流體源壓力和初始緻動器壓力，通過改變兩個閥門的開/關時間來調節緻動器内的流體品質。CFMC同時可以使用兩個雙向閥實作。對于選擇三通閥實作，是因為所述閥門的可用性。
圖2顯示了CFMC的原理圖。柔性氣囊的初始壓力和體積分别表示為P0和V0。當手指與柔性氣囊互相作用時，柔性氣囊的壓力和容積分别變為P1和V1。假設系統在等溫條件下遵循理想氣體定律，這對于封閉系統意味着：
P0 × V0 = P1 × V1
P0 × V0 = (P0 + P) × (V1 + V )
假設g P × V ≈ 0，則等式2可以簡化為：
P = V × P0/V0
在CFPC中，當手指與柔性氣囊互動時，柔性氣囊體積減小至V1。由于這種互相作用（等式3），壓力開始增加，緻動器的流體路徑對恒壓流體源保持開放，進而使緻動器壓力在源壓力下保持恒定（P0）。在CFMC中，當手指與柔性氣囊互相作用時，柔性氣囊體積減小，進而導緻氣壓升高（等式3）。然而，由于空氣被困在緻動器内，并且從緻動器到調節器的流體路徑被阻斷，是以壓力的增加與體積的減少成正比，與初始緻動器體積成反比。
當忽略CFPC和CFMC之間的接觸面積差異時，CFPC和CFMC之間的作用力差異将取決于相應緻動器壓力的差異。是以，使用CFMC可實作的力的動态範圍比CFPC大。
CFMC的另一個優點是，它允許源壓力高于緻動器的工作壓力，進而能夠縮短緻動器的充氣時間。另一方面，在CFPC中，源壓力由緻動器的工作壓力決定。另外，與CFPC不同的是，CFPC隻允許對緻動器壓力進行二進制控制，而CFMC允許對柔性緻動器進行更精确的模拟壓力控制。
然而，由于柔性緻動器的電容通常為非線性，并且流體系統中存在許多其他非線性，是以很難用第一原理模型以廣義方式捕捉，是以研究人員使用基于神經網絡的監督學習算法來實作使用CFMC的模拟壓力控制。
例如，具有可壓縮流體的氣動電容器的壓差和流量之間的二次關系，緻動器材料非線性力位移行為對流體電容的貢獻，流體管道的分布電阻和電容以及高壓差下的流量阻塞是氣動系統中存在的一定非線性現象。
為了比較CFMC和CFPC，研究人員使用相同的實驗裝置進行了兩個實驗。實驗1比較了CFMC和CFPC之間緻動器壓力的動态範圍，以及互相作用期間緻動器産生的反作用力。實驗2研究了基于CFMC學習神經網絡模型的柔性緻動器的充氣/放氣響應時間和模拟壓力控制。
團隊在所述實驗中使用了兩個具有不同電容的定制軟流體緻動器（圖6），這代表了我們在大多數觸覺應用中會看到的各種電容。緻動器由熱密封尼龍背襯TPU織物制成原型，并用于開發充氣氣囊。實驗1和實驗2使用了具有小電容的柔性緻動器（圖6a），并且使用了較大電容的柔性緻動器（圖6b）來檢驗所提出的控制方法的通用性。
這項研究證明了CFMC之于CFPC的多種優勢，但所述優勢是以額外的控制基礎設施為代價。為了精确控制執行器空氣壓力控制，團隊需要額外的裝置，例如配備附加的閥門和壓力傳感器，并且需要更複雜的控制政策。另外，由于CFMC能夠實作更大的動态範圍，是以需要設計柔性緻動器以處理更大的壓力範圍。
總的來說，研究人員提出了一種新的柔性流體緻動器控制方法CFMC，它使用兩個閥門的布置來保持緻動器内恒定的流體品質，而且它在可穿戴觸覺中具有潛在優勢。研究分析表明，與CFPC相比，CFMC使緻動器輸出力的動态範圍更大，對充氣和放氣的響應時間更快。
另外，團隊示範了一種基于CFMC的模拟壓力控制的實作方法，使用了一種基于學習神經網絡的算法，進而允許精确調節執行器壓力。實驗同時表明，所述方法可以泛化到不同的TPU織物流體驅動器。
相關論文：
Constant Fluidic Mass Control for Soft Actuators Using Artificial Neural Network Algorithm
https://paper.nweon.com/11475
團隊最後補充道，柔性緻動器的外部互動力是可穿戴觸覺應用中的常見情況，作用在緻動器上的不同力會影響其等效電容，進而降低學習神經網絡模型的精度。在未來，研究人員計劃通過引入預載作為第四個輸入變量來擴充所提出的神經網絡模型，并探索遞歸神經網絡的架構，以在控制系統中包含具有時間動态行為的輸入變量。另外，團隊計劃探索基于CFMC的可穿戴觸覺裝置模拟壓力控制，并計劃檢查CFMC在建立剛度觸覺方面的影響，以及閉環控制的性能。