探究：軟機器人的拓撲優化
在過去的三十年中，拓撲優化（TO）已經成為與工業相關的設計優化工具。TO不是由使用者指定基本的設計和優化參數，而是在定義的設計空間中配置設定材料，以找到使适應度函數最大化的結構。由于優化器在材料配置設定中不存在人為偏見，是以TO帶來了全新的設計思路。
盡管TO在優化固定軟體元件方面具有重要價值，但直到最近才開始引起軟機器人領域的關注。在軟機器人領域，TO主要用于優化單一材料的軟夾具，這些軟夾具很容易被表示為線性結構問題。然而，如果有适當的設計空間和配方，整個多材料的軟機器人也可以進行拓撲優化。
一.拓撲優化算法
在拓撲優化（TO）研究中，有三種廣受認可的獨特方法，即帶懲罰的固體各向同性材料（SIMP）、（雙向）進化結構優化（BESO/ESO）和水準集方法。
這些方法都可以優化複雜非線性空間中具有多種材料的結構，但它們的分布政策不同，與軟機器人的TO相關。BESO/ESO使用二進制材料分布，其中元素要麼是固體，要麼是空的。它通過從低适應度區域移除元素并将其插入高适應度區域來優化結構。
相比之下，SIMP使用虛拟密度，将離散的材料分布問題轉化為連續的問題。元素占據了間隙和實體元素之間的密度空間，但會應用懲罰來驅動收斂到最終的二進制設計。水準集方法基于材質階段之間的邊界來定義結構。
這使得可以定義明确的邊界，但是在優化過程中，需要輔助方法來形成新的孔并對所得形狀進行網格劃分，以進行有限元評估。如果沒有形成新的孔，問題歸結為形狀優化。除了這三種常用的方法外，還開發了許多定制方法。
二. 基于靈敏度的求解器
在傳統的TO算法中，三種常用方法都使用靈敏度函數（目标函數相對于設計變量的導數）來指導基于梯度的算法搜尋方向。其中，最廣泛應用的求解器是移動漸近線法，這是一種專門為大規模結構優化設計的凸逼近方法。
盡管梯度方法在計算上效率高，但它們對于平滑問題的搜尋是有限的，而且不能處理不連續接觸等問題，例如軟抓取。為了解決這個問題，軟夾緊裝置可以被模組化為位移驅動器，例如氣動驅動的半軟指狀物。手指的抓取被模組化為一個内部充氣腔被剛性外殼包圍的結構。
然後，使用SIMP方法對外殼進行優化，以最大化輸出位移。與完全柔性的氣管相比，外骨骼設計增加了手指的強度，但由于有限元分析中的線性材料假設，制造原型時會導緻過度膨脹。
通過在SIMP架構中将彈性模量轉換為應變能，超彈性軟構件也可以得到優化。考慮到超彈性材料在軟機器人中的普遍應用，非線性模組化對于獲得有意義的結果至關重要。
三.非梯度求解器
軟機器人的設計空間具有高度非線性和誤導性，這是由于其非線性材料、大變形和分布式驅動所導緻的。基于梯度的搜尋很容易陷入局部最優，是以非梯度（也稱為黑盒）和進化求解器已被提出作為替代解決方案。
這些求解器包括許多啟發式和随機搜尋算法，其中一些算法受到自然過程的啟發，例如粒子群優化、模拟退火和蟻群優化。它們将元啟發式規則應用于搜尋大型非線性空間，以避免陷入局部最優，并有可能在非凸問題中實作全局最優，即使沒有特定問題知識。
與基于梯度的貪婪方法相比，這些啟發式方法可以探索設計空間中更大的區域，是以可以識别出更合适的候選者。然而，它們的計算成本遠高于基于梯度的方法。基于梯度的TO通常在數百次疊代内收斂，而遺傳TO通常需要數千或數萬次疊代。
此外，随機非梯度方法也存在連通性問題，其中不可行的不連續單元區域出現在設計空間中，這在軟機器人中表現為氣動裝置中的開放腔室或斷開的部件。
四.機器學習
在缺乏分析靈敏度的情況下，研究人員通常采用兩種政策來設計軟機器人：第一種是通過有限差分法對靈敏度進行數值計算；第二種方法是使用非梯度解算器來完全避免需要靈敏度。
最近，學習靈敏度被提出作為梯度和非梯度解算器之間的中間解決方案。與梯度方法相比，它可以減輕非梯度方法的計算負擔，并将靈敏度限制在局部極小值範圍内，而不需要進行靈敏度分析。
在拓撲優化中，通過預測狀态特征（TOPS）來實作，利用機器學習模型來估計靈敏度，通過使用模拟特征預測其行為。使用類似于BESO的元素從低應力區域到高應力區域的啟發式運動原理可以使用每個問題特有的局部狀态資訊（如應力、位移、能量）來更新搜尋方向。
已經開發了出來了進化算法、神經網絡和回歸模型來将狀态資訊映射到設計更新，證明了在基準和非線性耐撞性問題上的有效性。不連續性和非線性耐撞性問題也對接觸式軟機器人的模組化提出了類似的挑戰，學習敏感性提供了一種易于處理的方法來優化它們。
筆者觀點
在優化軟機器人設計時，需要權衡計算成本、探索設計空間和避免局部最優解等因素。通過使用多種方法的組合和優化政策，可以有效地優化軟機器人的設計。#曆史開講#
