檢視引用/資訊源請點選：映維網
柔性致動器
（
映維網 2021年12月15日
）由於柔性致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，所以柔性致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致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。
由於其高能量密度和低阻力，柔性流體致動器廣泛用於可穿戴裝置，而相關文獻主要探討了恆定流體壓力控制（CFPC）來控制柔性致動器。這種控制方法使用簡單的驅動結構（每個致動器一個離散閥）和二元（開-關）控制機制，允許致動器壓力追蹤動態負載下的流體源壓力。
然而，CFPC因此而具有幾個侷限性：（1）有限的動態範圍：柔性致動器提供的力的動態範圍有限，並且僅受其工作壓力控制，因為致動器壓力只能在源壓力和大氣壓力之間切換；（2） 致動器響應緩慢：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） 低壓控制解析度：這種型別的控制只能實現致動器壓力的二進位制控制。（4） 非自然的觸覺互動：只可能實現主動或外源控制致動器壓力，它與使用者和致動器的互動方式沒有內在聯絡，從而導致非自然的觸覺互動。
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恆定流體質量控制（CFMC），其中恆定質量的流體困在致動器內。當用戶與致動器互動時，由於這種互動導致的致動器壓力任何變化可進一步幫助改善觸覺互動。與使用壓力感測器和第一原理模型估算流體質量的文獻不同，團隊是透過精確控制閥門的定時，並將其困在致動器內來調節流體質量。
使用CFMC的模擬壓力控制需要整個射流系統（包括致動器）的可靠模型。有其他研究人員開發了基於第一性原理的理論模型來預測致動器行為，但所述模型只能在有限的輸入集合中近似致動器的行為，不能可靠地捕捉流體系統中的所有非線性，因此很難對不同的柔性致動器進行泛化。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態範圍、更快的響應時間和柔性致動器的模擬壓力控制，併產生更自然的觸覺互動。研究人員實現了一個射流系統來演示CFMC方法，並使用系統對柔性致動器進行了實驗。另外，團隊提出了一種基於神經網路的有監督學習演算法，使模擬壓力控制的柔性致動器使用CFMC，並泛化到新的致動器。
實驗將CFMC與CFPC方法進行了比較。結果表明，CFMC可以增加柔性致動器的動態範圍，縮短其響應時間以達到所需的壓力，並實現模擬壓力控制，從而提供更自然的觸覺反饋。
圖1顯示了CFPC和CFMC的射流實現。這兩種實施方式之間的根本區別在於，在CFPC中，致動器壓力只能存在於源或大氣壓力（ATM）狀態，而在CFMC中，致動器可以與源和大氣斷開，因此保持與源和大氣不同的狀態。
CFPC使用一個三通閥，使致動器透過調節閥連線到壓縮空氣源。另一方面，CFMC採用兩個三通閥：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致動器壓力，透過改變兩個閥門的開/關時間來調節致動器內的流體質量。CFMC同時可以使用兩個雙向閥實現。對於選擇三通閥實現，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別表示為P0和V0。當手指與柔性氣囊相互作用時，柔性氣囊的壓力和容積分別變為P1和V1。假設系統在等溫條件下遵循理想氣體定律，這對於封閉系統意味著：
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。由於這種相互作用（等式3），壓力開始增加，致動器的流體路徑對恆壓流體源保持開放，從而使致動器壓力在源壓力下保持恆定（P0）。在CFMC中，當手指與柔性氣囊相互作用時，柔性氣囊體積減小，從而導致氣壓升高（等式3）。然而，由於空氣被困在致動器內，並且從致動器到調節器的流體路徑被阻斷，因此壓力的增加與體積的減少成正比，與初始致動器體積成反比。
當忽略CFPC和CFMC之間的接觸面積差異時，CFPC和CFMC之間的作用力差異將取決於相應致動器壓力的差異。因此，使用CFMC可實現的力的動態範圍比CFPC大。
CFMC的另一個優點是，它允許源壓力高於致動器的工作壓力，從而能夠縮短致動器的充氣時間。另一方面，在CFPC中，源壓力由致動器的工作壓力決定。另外，與CFPC不同的是，CFPC只允許對致動器壓力進行二進位制控制，而CFMC允許對柔性致動器進行更精確的模擬壓力控制。
然而，由於柔性致動器的電容通常為非線性，並且流體系統中存在許多其他非線性，所以很難用第一原理模型以廣義方式捕捉，因此研究人員使用基於神經網路的監督學習演算法來實現使用CFMC的模擬壓力控制。
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係，致動器材料非線性力位移行為對流體電容的貢獻，流體管道的分佈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之間致動器壓力的動態範圍，以及相互作用期間致動器產生的反作用力。實驗2研究了基於CFMC學習神經網路模型的柔性致動器的充氣/放氣響應時間和模擬壓力控制。
團隊在所述實驗中使用了兩個具有不同電容的定製軟流體致動器（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。致動器由熱密封尼龍背襯TPU織物製成原型，並用於開發充氣氣囊。實驗1和實驗2使用了具有小電容的柔性致動器（圖6a），並且使用了較大電容的柔性致動器（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之於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。為了精確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感測器，並且需要更復雜的控制策略。另外，由於CFMC能夠實現更大的動態範圍，因此需要設計柔性致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致動器控制方法CFMC，它使用兩個閥門的佈置來保持致動器內恆定的流體質量，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使致動器輸出力的動態範圍更大，對充氣和放氣的響應時間更快。
另外，團隊演示了一種基於CFMC的模擬壓力控制的實現方法，使用了一種基於學習神經網路的演算法，從而允許精確調節執行器壓力。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，柔性致動器的外部互動力是可穿戴觸覺應用中的常見情況，作用在致動器上的不同力會影響其等效電容，從而降低學習神經網路模型的精度。在未來，研究人員計劃透過引入預載作為第四個輸入變數來擴充套件所提出的神經網路模型，並探索遞迴神經網路的架構，以在控制系統中包含具有時間動態行為的輸入變數。另外，團隊計劃探索基於CFMC的可穿戴觸覺裝置模擬壓力控制，並計劃檢查CFMC在建立剛度觸覺方面的影響，以及閉環控制的效能。
