IEEE Transactions on Robotics

Model-Based Robust Position Control of an Underactuated Dielectric Elastomer Soft Robot

作者：Giovanni Soleti, Paolo Roberto Massenio, Julian Kunze, Gianluca Rizzello · 机构：Department of Systems Engineering, Saarland University, Saarbrücken, Germany; Department of Electrical and Information Engineering, Polytechnic University of Bari, Bari, Italy

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：1693-1710

控制软体机器人系统设计

精读笔记

Problem Setting

论文标题：Model-Based Robust Position Control of an Underactuated Dielectric Elastomer Soft Robot（IEEE Transactions on Robotics / 2025）。

这篇论文实际解决的是一个很窄但很硬的控制问题：对一个 3-DOF、2-input 的 DEA 软体弯曲模块做定点位置调节，并且目标点可能处在开环不稳定的双稳态区域内。困难不在于“软体机器人模型复杂”本身，而在于几个约束同时出现：欠驱动导致不是任意构型都能静力平衡；驱动矩阵 J(q)^T 随构型变化，控制方向不是固定子空间；DEA 输入是电压平方，天然非负且有上界；材料蠕变/滞回和建模误差会在稳态上表现为持续偏置。

以前方法卡住的地方主要是结构假设过强。全驱动控制或常值 actuation matrix 的方法无法处理 CDAM；pH energy shaping 一般会遇到 matching PDE；collocated coordinate 变换虽然能简化欠驱动 CDAM 问题，但并不总是自然，也可能改变控制设计的物理解释。本文的关键矛盾是：想要稳定一个欠驱动非线性软系统，却不能任意整形构型空间势能；想要积分鲁棒性，又不能让积分项突破 DEA 输入饱和。

Motivation

作者的核心观察是：这个系统的输入虽然欠驱动，但并非任意欠驱动；它的输入严格沿执行器长度方向作用，广义力始终是 J(q)^T u。因此，如果控制器注入的势能只依赖执行器长度 l_DE(q)，那么通过链式法则 ∇_q Vc(l(q)) = J(q)^T ∇_l Vc，闭环仍然保持 pH 机械系统形式。这个观察把原本困难的 matching PDE 变成了一个“在执行器长度空间构造可行势能”的问题。

另一个动机来自真实 DEA 系统：只靠模型能量整形很容易在实验中失败，因为 Yeoh 超弹性、粘弹性、蠕变、摩擦和几何参数不可能完全准。作者并不是试图把模型做得更复杂，而是把这些低频误差作为 matched constant disturbance 处理，用被动输出上的饱和 PI-like 外环消掉稳态误差。缺口不是“没有控制器”，而是没有一个同时满足 pH 可证稳定、CDAM、欠驱动、输入饱和和真实硬件鲁棒性的闭环构造。

Core Idea

核心思想可以概括为：不要在 q 空间任意设计控制势能，而是在 actuator-length space 设计势能；不要直接对 q 做普通 PID，而是先构造一个与整形后 pH 系统兼容的被动输出，再在该输出上做饱和 PI。前者解决欠驱动和 CDAM 下的结构保持问题，后者解决模型误差和输入饱和下的稳态偏差问题。

这和 prior 的本质区别不是多了一个 PI，也不是用了 LMI，而是把信息流重新组织成“模型决定可整形能量结构，执行器长度提供合法控制通道，被动输出把位置误差投影到输入空间，积分只在可饱和的匹配通道内工作”。因此控制器看起来像 PID，但不是 model-free PID：它的比例/积分/阻尼项被 pH 结构和输入分布约束过，稳定性来自 passivity interconnection，而不是局部线性调参经验。

Method

1. Admissible equilibrium：先筛掉不可实现目标。欠驱动系统的目标 q* 必须满足 J_0(q*)^T ∇V(q*) = 0，即未驱动方向上的静力残差为零；同时所需平衡输入 u* = J^{†T}∇V(q*) 必须落在 [0,u_max] 内。这一步不是实现细节，而是把“控制失败”提前转化为可达性/可平衡性约束。

2. Energy shaping in actuator coordinates：控制项 u_s = -∇_l Vc(l(q)) - B J M^{-1}p。关键变化是 Vc 只依赖 l_DE(q)，从而注入广义力自动属于输入分布 span(J^T)。这使闭环 Hamiltonian 变为 kinetic + V(q)+Vc(l(q))，只要整形后势能在工作域内凸、阻尼正定，就能得到目标稳定。

3. Saturation-aware design：输入饱和不是后处理 clipping，而是控制律设计约束的一部分。势能整形项和外环 PI 项都通过饱和函数/动态饱和边界分配输入余量，避免理论稳定性被实际高压限制破坏。

4. Robustifying PI-like outer loop：在整形后系统上构造新的 storage function 和被动输出 y_r = J M^{-1}p + J W ∇V_es(q)。这个输出同时包含执行器速度和位置误差信息。PI-like 控制器积分 -y_r，并用 dead-zone anti-windup 限制内部状态。其作用是让稳态时积分输出自动抵消 matched disturbance d。

5. LMI-based practical synthesis：理论条件涉及强非线性 Hessian，直接解析设计不可行。作者在采样工作域 Q 上用 LMI 搜索 Vc 的基函数系数，使闭环势能凸且输入范围尽量少被内环占用；再用 LMI/least-squares 找 W，使被动输出近似线性依赖 q-q*。这是把理论可行性转成工程可解问题的关键桥梁。

Key Insight / Why It Works

最核心的 insight 是“partial energy shaping is enough if it is aligned with the actuation geometry”。欠驱动系统不能任意改变全构型势能，但只要目标点在未驱动方向上已经满足静力平衡，沿驱动方向注入足够合适的势能就可以把目标变成闭环唯一极小点。这里 l_DE(q) 起到了 latent coordinate 的作用：它不是完整状态表示，却是控制输入真正能作用的几何坐标。这个 inductive bias 比直接在 q 上做 PID 更强，也比一般 pH matching 更可实现。

第二个有效原因是作者没有把积分直接加到任意位置误差上，而是先重新构造一个等轨迹 pH 表示，使 y_r 成为被动输出。这样 PI 外环可以作为 passive interconnection 接入，积分项的稳定性不依赖小增益调参，而依赖 storage function 的扩展。这个部分是本文理论上最有价值的贡献之一，尤其是 Lemma 1：通过改变 storage 而不改状态方程，构造含位置误差的被动输出。

LMI 不是根本创新，但很关键。它把“闭环势能 Hessian 正定”和“输入不越界”变成有限采样点上的凸约束。这里的收益更多是 engineering / numerical synthesis，而不是新的控制原理。实验性能的提升主要来自外环积分对模型误差的补偿；内环能量整形提供稳定骨架，但单独使用在真实系统上不够。文中最后的对比也基本说明：没有积分，模型误差会留下稳态偏差。

需要明确的是，这不是 scaling，也不是 data-driven generalization。它的能力来自结构化模型和 passivity-compatible inductive bias。所谓“鲁棒”也不是广义鲁棒控制意义上的任意不确定性，而是对匹配、常值、幅值可被积分饱和覆盖的扰动鲁棒。这个限制很实质。

Relation To Prior Work

这篇属于 passivity-based / port-Hamiltonian energy shaping 控制谱系，同时吸收了软体机器人中对 CDAM 和欠驱动问题的处理经验。和传统 IDA-PBC/pH integral control 相比，它避开 matching PDE 的方式是把注入势能参数化为 actuator-length function，而不是求完整闭环目标 Hamiltonian。和 collocated-coordinate 路线相比，它不需要先把系统变换到某种标准协同形式，而是直接在原始广义坐标下利用 J(q) 的链式结构。

看似新的部分中，饱和 PI、anti-windup、LMI 网格化验证都不是新思想；真正新增的信息是它们如何被嵌入 pH 结构而不破坏稳定证明。尤其是输入饱和不是事后裁剪，而是出现在 admissible equilibrium、energy-shaping 可行性和 PI 扰动范围条件里。

和 model-free PID 或数据驱动软体控制相比，本文的优势不是性能极限，而是可解释、可证稳定以及能处理开环不稳定构型。和更复杂的 learning-based 控制相比，它没有学到跨任务策略，也不试图覆盖未知环境；它更像是对一类几何结构明确的智能材料软执行系统给出一套可落地的 passivity-preserving synthesis recipe。

Dataset / Evaluation

评估是小规模但真实硬件导向的：一个 DEA 软体模块，三组目标构型，多组初始条件，并包含开环不稳定区域。它验证了论文最核心的 claim：在 CDAM、欠驱动、饱和和模型误差存在时，控制器能把真实系统调节到目标附近，并且外环积分对稳态误差是必要的。

但评估并不证明方法的广泛泛化。没有多机器人、多几何、多负载、接触环境、长时间老化、温度变化或模块化 tentacle 的系统性测试。工作域 Q 的采样覆盖是否充分，也主要依赖作者的实验探索，缺少形式化置信度。实验更像是 strong proof-of-concept，而不是 scalable benchmark。

值得肯定的是，作者没有只停留在仿真；对 DEA 这种强材料不确定系统，真机验证比仿真更有说服力。尤其内环-only 与外环 PI 的对比直接支持“模型能量整形不足以应对真实材料误差”这一判断。

Limitation

最大限制是理论假设较硬。常惯量矩阵要求选择特定坐标；全阻尼假设对稳定证明很方便，但对更一般软体系统未必成立；扰动必须是 matched 且常值/慢变，非匹配外力、接触力、负载变化不在保证范围内。目标点还必须 admissible，因此控制器不是扩大可达集，而是在已有静力可平衡集合内做稳定化。

第二个限制是“全局稳定”在工程实现中明显被削弱。理论写成全局条件，但 LMI 实际只在采样工作域 Q 上施加，Q 又来自伪随机输入探索。这意味着保证本质上是 regional and sample-based。对于更高维软体臂，Q 的覆盖、LMI 数量和基函数选择会迅速变成瓶颈。

第三，性能增益归因不完全干净。K_I、K_P、K_S 仍靠实验手调；W_2 通过 least-squares 近似，S_W 手选；基函数 φ_ij 和 ε 也需要设计经验。稳定性结构是清楚的，但 transient performance 很大程度是 tuning。文中未充分说明这些设计对不同目标点、不同硬件老化状态的敏感性。

第四，输入饱和处理偏保守。内环、积分项、比例/阻尼项分别分配饱和余量，保证了安全但牺牲控制 authority。对 DEA 这种输入范围本来就紧的系统，这可能限制可拒绝扰动幅值和响应速度。

最后，实验瓶颈来自低频视觉反馈和数值微分动量估计。作者也承认振荡难以用 K_P 消掉，主要是速度估计差。这说明控制律理论上需要 p 或速度信息，但当前 sensing pipeline 没有匹配控制带宽。

Takeaway

  • 1. 对欠驱动 CDAM 软体机器人，最值得迁移的思想是：不要试图在完整 q 空间任意做控制，而要找与输入几何自然对齐的 latent coordinate；这里就是 actuator length。
  • 2. pH/passivity 方法在软体机器人上真正有用的点不是形式优雅，而是能把饱和、稳态扰动补偿和结构稳定性放进同一个能量账本里。
  • 3. LMI 采样工作域设计是把非线性控制理论落到真实软机器人上的实用路径，但它的上限也很明显：高维系统需要新的可扩展验证/合成方式。
  • 4. 未来真正有价值的方向不是再堆更复杂的弹性模型，而是把结构化控制与高带宽 self-sensing、在线扰动估计、接触鲁棒性结合起来。

一句话总结

这篇论文把 DEA 欠驱动软机器人的定点控制从“模型能量整形的仿真方案”推进到“带饱和和积分鲁棒性的真机 pH/passivity 控制”，其真正贡献是执行器长度空间的结构保持能量整形加被动输出 PI 外环，而不是普通 PID 调参。