新型刚柔混联连续体机器人运动建模

doi:10.3969/j.issn.1004-132X.2025.11.025

中国机械工程 ›› 2025, Vol. 36 ›› Issue (11): 2678-2684.DOI: 10.3969/j.issn.1004-132X.2025.11.025

• 智能制造 • 上一篇

新型刚柔混联连续体机器人运动建模

董佳祥¹(), 刘铨权²^,³(), 胡希平², 赵学智¹

^1.华南理工大学机械与汽车工程学院, 广州, 510641
^2.深圳北理莫斯科大学人工智能研究院&粤港澳联合实验室, 深圳, 518172
^3.深圳大学第一附属医院神经内科, 深圳, 518035

收稿日期:2024-10-23 出版日期:2025-11-25 发布日期:2025-12-09
通讯作者: 刘铨权
作者简介:董佳祥，男，1997年生，博士研究生。研究方向为微创手术机器人创新设计与精准控制。E-mail： 202110183011@mail.scut.edu.cn
刘铨权^*（通信作者），男，1984年生，副教授。研究方向为智能机器人与系统集成、医疗机器人机构综合与控制。E-mail： quanquanliu@smbu.edu.cn。
基金资助:
国家自然科学基金(61963007);广东省基础与应用基础研究基金(2023A1515012427);广东省基础与应用基础研究基金(2023A1515140026);深圳市科技计划(JCYJ20210324122200002);广东省医学科学技术研究基金(A2021169);广东省医学科学技术研究基金(B2023109);深圳市大鹏新区医疗健康集团医疗卫生科研项目(DPJTKY202306)

Kinematic Modeling of a Novel Rigid⁃Flexible Hybrid Continuum Robots

Jiaxiang DONG¹(), Quanquan LIU²^,³(), Xiping HU², Xuezhi ZHAO¹

^1.School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou，510641
^2.Artificial Intelligence Research Institute & Guangdong-Hong Kong-Macao Joint Laboratory，Shenzhen MSU-BIT University，Shenzhen，Guangdong，518172
^3.Department of Neurology，The First Affiliated Hospital of Shenzhen University，Shenzhen，Guangdong，518035

Received:2024-10-23 Online:2025-11-25 Published:2025-12-09
Contact: Quanquan LIU

摘要/Abstract

摘要：

针对一种新型软轴拉扭协同驱动的刚柔混联连续体机器人，开展了其运动建模研究。建立了基于分段恒曲率（PCC）并综合考虑多种载荷的运动静力学模型。为求解其高度非线性的逆运动学，构建了一种由牛顿-拉夫逊优化算法（NRBO）优化的反向传播（BP）神经网络模型（NRBO-BP模型）。实验结果表明，单/双段柔性体机器人末端弯曲角度平均误差分别为4.2°和7.1°；基于NRBO-BP模型的轨迹跟踪最大位置误差为2.5 mm，验证了所提方法的准确性与有效性。

关键词: 软轴, 连续体机器人, 运动静力学模型, 神经网络, 逆运动学

Abstract:

A study of the kinemetic modeling was carried out for a novel rigid-flexible hybrid continuum robot driven by tension-torsion synergistic actuation. A kinetostatic model was developed based on the piecewise constant curvature（PCC） framework， which comprehensively considered various loads. To solve the highly nonlinear inverse kinematics， a BP neural network model optimized by the Newton-Raphson based optimizer（NRBO）， denoted as NRBO-BP model， was constructed. Experimental results show that the average bending angle errors at the end of the single/dual-segment flexible robots are as 4.2° and 7.1°， respectively. The maximum position error in trajectory tracking based on NRBO-BP model is as 2.5 mm， which verifies the accuracy and effectiveness of the proposed methods.

Key words: flexible shaft, continuum robot, kinetostatic model, neural network, inverse kinematics

中图分类号:

TP242

董佳祥, 刘铨权, 胡希平, 赵学智. 新型刚柔混联连续体机器人运动建模[J]. 中国机械工程, 2025, 36(11): 2678-2684.

Jiaxiang DONG, Quanquan LIU, Xiping HU, Xuezhi ZHAO. Kinematic Modeling of a Novel Rigid⁃Flexible Hybrid Continuum Robots[J]. China Mechanical Engineering, 2025, 36(11): 2678-2684.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2025.11.025

https://www.cmemo.org.cn/CN/Y2025/V36/I11/2678

图/表 13

图1 刚柔混联连续体机器人机构

Fig.1 Rigid⁃flexible hybrid continuum robot mechanism

图2 机械手坐标系定义

Fig.2 Definition of the manipulator's coordinate system

图3 刚性关节坐标系定义

Fig.3 Definition of the rigid joint coordinate system

表1 刚性关节的改进D⁃H参数

Tab.1 Modified D⁃H parameters of the rigid joint

i	$α i - 1 / (°)$	$d i / m m$	$θ i / (°)$
11	0	$m 2$	-90
12	-90	0	$θ R 1$
13	90	$m 1$	$θ R 2$
14	0	$m 0$	0

表1 刚性关节的改进D⁃H参数

Tab.1 Modified D⁃H parameters of the rigid joint

i	$α i - 1 / (°)$	$d i / m m$	$θ i / (°)$
11	0	$m 2$	-90
12	-90	0	$θ R 1$
13	90	$m 1$	$θ R 2$
14	0	$m 0$	0

图4 连续体机器人坐标系定义

Fig.4 Definition of the coordinate system for the continuum robot

图5 机械手末端位置数据集分布

Fig.5 Distribution of the manipulator end⁃effector position dataset

图6 基于BP神经网络的软轴驱动预测末端位置原理

Fig.6 Principle of end⁃effector position prediction for flexible shaft actuation based on BP neural network

图7 机械手静力学分析示意图

Fig.7 Diagram of the manipulator's static analysis

图8 机器人样机与实验验证系统

Fig.8 Robot prototype and experimental validation system

图9 F4=30 N、F5=F6=2 N配置下力实时数据

Fig.9 Real-time force data under the configuration of F4=30 N， F5=F6=2 N

图10 连续体机器人平面内弯曲角度

Fig.10 In-plane bending angle of the continuum robot continuum robot prototype

图11 目标、仿真和实验轨迹对比

Fig.11 Comparison of target， simulated， and experimental trajectories

图12 仿真、实验轨迹相对目标轨迹在x、y、z方向误差

Fig.12 Errors in the x， y， and z directions among simulated， experimental， and target trajectories

参考文献 10

[1]	WEBSTER R J， JONES B A. Design and Kinematic Modeling of Constant Curvature Continuum Robots： a Review［J］. International Journal of Robotics Research， 2010， 29（13）： 1661-1683.
[2]	李法民，郑天江，沈雯钧，等. 绳驱动连续体机器人标定方法［J］. 中国机械工程， 2022， 33（2）： 202-208.
	LI Famin， ZHENG Tianjiang， SHEN Wenjun， et al. Calibration Method for Cable-driven Conti⁃nuum Robot［J］. China Mechanical Engineering， 2022， 33（2）： 202-208.
[3]	OUYANG B， LIU Y， SUN D. Design of a Three-Segment Continuum Robot for Minimally Invasive Surgery［J］. Robotics and Biomimetics， 2016， 3（1）： 2.
[4]	MISHRA A， MONDINI A， DEL DOTTORE E， et al. Modular Continuum Manipulator： Analysis and Characterization of Its Basic Module［J］. Biomimetics， 2018， 3（1）： 3.
[5]	YUAN H， ZHOU L， XU W. A Comprehensive Static Model of Cable-driven Multi-section Continuum Robots Considering Friction Effect［J］. Mechanism and Machine Theory， 2019， 135： 130-149.
[6]	YANG Y， GENG P， HE Y， et al. Inverse Kinematics Modeling of Soft Manipulator Based on Optimized Particle Swarm Optimization-Back Propagation Neural Network［J］. IEEE/ASME Transactions on Mechatronics， 2025，30：1-10.
[7]	SCHÄFKE H， LHABICH T， MUHMANN C， et al. Learning-based Nonlinear Model Predictive Control of Articulated Soft Robots Using Recurrent Neural Networks［J］. IEEE Robotics and Automation Letters， 2024， 9（12）： 11609-11616.
[8]	TAN N， YU P， ZHONG Z， et al. Data-driven Control for Continuum Robots Based on Discrete Zeroing Neural Networks［J］. IEEE Transactions on Industrial Informatics， 2023， 19（5）： 7088-7098.
[9]	SOWMYA R， PREMKUMAR M， JANGIR P. Newton-Raphson-based Optimizer：a New Population-based Metaheuristic Algorithm for Continuous Optimization Problems［J］. Engineering Applications of Artificial Intelligence， 2024， 128： 107532.
[10]	RAO P， PEYRON Q， LILGE S， et al. How to Model Tendon-driven Continuum Robots and Benchmark Modelling Performance［J］. Frontiers in Robotics and AI， 2021， 7： 630245.

[1]	李小力, 陈威, 闫蓉. 基于BP神经网络的空间轮廓误差自适应补偿 [J]. J4, 201016, 21(16): 1902-1906.
[2]	赵伟, 王志远, 周志立. 载重汽车连续下坡弯道路段制动稳定性仿真研究 [J]. J4, 201016, 21(16): 2010-2015.
[3]	王坚坚, 廖与禾, 杨磊, 薛久涛. 基于多维复向特征融合与CNN-GRU的转子不平衡量识别方法[J]. 中国机械工程, 2025, 36(9): 1905-1915.
[4]	徐宏伟, 叶文斌, 马顺尧, 张航. FDM全彩色3D打印机颜色匹配标定算法研究[J]. 中国机械工程, 2025, 36(9): 2081-2086.
[5]	邢海燕, 武雪缘, 蔡智会, 赵力伟, 苏田, 韩晴. 基于ResGNNet多模态融合的油气管道缺陷等级磁记忆定量识别[J]. 中国机械工程, 2025, 36(9): 2150-2157.
[6]	岳子桐, 李艳婷, 赵宇. 基于神经网络和稳健估计的风电机组状态监测[J]. 中国机械工程, 2025, 36(8): 1842-1852.
[7]	陈智博, 李国平, 项四通, 魏燕定. 基于超声谐振挤压膜效应的触觉纹理动态感知及实验研究[J]. 中国机械工程, 2025, 36(11): 2574-2582.
[8]	杨赫然1, 2, 张培杰1, 2, 孙兴伟1, 2, 潘飞1, 2, 刘寅1, 2. 利用改进卷积神经网络的螺杆砂带磨削表面粗糙度预测[J]. 中国机械工程, 2025, 36(02): 325-332.
[9]	王志强1, 韩建海1, 2, 3, 李向攀1, 2, 郭冰菁1, 2, 杜敢琴4. 冗余机器人的笛卡儿空间螺旋线性插值轨迹规划[J]. 中国机械工程, 2025, 36(01): 104-112.
[10]	郭海宇1, 邹圣公1, 张晓光2, 3, 4, 陆凡凡2, 陈洋2, 王涵2, 徐新志2. 基于多源小波变换神经网络的旋转机械轴承故障诊断[J]. 中国机械工程, 2024, 35(11): 2026-2034.
[11]	聂鹏1, 杨程越1, 彭新月1, 于家鹤2, 潘五九1. 采用空间和通道激励注意力机制优化ResNet-50的CFRP/TC4叠层材料钻削刀具磨损状态监测[J]. 中国机械工程, 2024, 35(10): 1793-1801.
[12]	张文华1, 尹文良1, 张祯滨2, 刘琳3, 彭克1. 计及叶轮不平衡的差动调速风电机组变桨距控制[J]. 中国机械工程, 2024, 35(10): 1890-1899.
[13]	张萌, 范鹏举, 王俊璞, 刘时成. 基于Rayleigh-BP模型的压电驱动系统迟滞建模与前馈控制[J]. 中国机械工程, 2024, 35(09): 1597-1605.
[14]	吕播阳1, 2, 3, 孟庆鑫1, 2, 3, 肖怀1, 2, 3, 赖旭芝1, 2, 3, 王亚午1, 2, 3, 吴敏1, 2, 3. 基于改进三元模型的波纹管型气动软体驱动器神经网络滑模控制[J]. 中国机械工程, 2024, 35(08): 1414-1425.
[15]	李国龙1, 肖扬1, 李喆裕1, 徐凯2, 张薇1. 数控机床旋转轴多自由度静/热误差同步测量与建模[J]. 中国机械工程, 2024, 35(08): 1426-1434.

新型刚柔混联连续体机器人运动建模

Kinematic Modeling of a Novel Rigid⁃Flexible Hybrid Continuum Robots

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 10

相关文章 15

编辑推荐

Metrics