作者列表：Houping Wu, Chenchen Li, Yufeng Wang, Zhengyan Wang, Yulian Peng, Zhipeng Wei, & Hongbo Wang*
DOI:10.1002/aisy.202400412
實驗室網站：http://staff.ustc.edu.cn/~whbyn/
研究背景
生物系統中具有豐富的機械感受器，能夠感受自身狀態和外部刺激，是生物系統賴以生存的基礎感官之一。除了皮膚之外，肌肉中的肌梭能夠感知肌肉的變形，為動物和人類感知自身關節角度和與外部環境的交互過程中發揮著中重要作用。氣動人工肌肉以其類人肌肉的收縮變形能力，響應速度、質量輕、輸出力大等優點在研制仿生機器人中具有獨特的優勢。然而，這些特性也導致人工肌肉長度的精確感知較為復雜。大多數可拉伸應變傳感器僅對拉伸應變敏感，不適合監測軟人工肌肉的收縮，性能、可集成性、可靠性和魯棒性尚不能滿足實際應用系統的要求。
文章概述
近日，中國科學技術大學精密機械與精密儀器系人形機器人研究院王洪波研究員課題組提出了一種自感知人工肌肉(SSAM, Self-sensorized artificial muscle)，論文第一作者為該校博士生吳后平。該人工肌肉通過無縫集成的多段線圈互感式長度傳感器(MILS, Mutual-inductance-based length sensor)，能夠在大變形范圍內(60 mm-105 mm)實現0.01mm (0.025% F.S.)分辨率的高精度長度自感知。團隊對MILS的工作原理進行了理論分析，構建了設計準則。實驗結果表明，SSAM能夠在不受外部負載和驅動壓力影響的情況下，準確感知自身肌肉長度變化。基于SSAM技術，團隊研制了一種仿蚯蚓式的蠕動機器人，該機器人具備實時監測自身身體長度變化和調整不同步態適應變形的能力。此外，團隊還研制了一種由SSAM驅動的仿生手臂，并展示了其在負載感知、交互響應以及精準定位方面媲美人類行為的能力。這一方法為開發肌肉驅動的機器人系統提供了新的途徑，可廣泛應用于肌肉驅動的仿生機器人系統中。
圖文導讀
圖1 自感知人工肌肉（SSAM）的設計與工作原理。(a) 具有矩形截面的波紋管式自感知感人工肌肉（SSAM）；(b) 波紋管單元的幾何形狀及尺寸；(c) 在55%收縮和50%伸長狀態下，波紋管的應力分布仿真結果；(d) 長度為2a、寬度為2b的矩形線圈在點P處產生的磁場密度，以及當兩線圈之間距離為h時的互感情況；(e) 歸一化互感與兩個矩形線圈之間歸一化距離(h/b)的關系；(f) 歸一化長度曲線的仿真結果與實驗數據進行比較。
圖2 SSAM驅動與傳感的等效模型及其基本特性。(a) 用于氣壓驅動的人工肌肉的等效模型；(b) 在100 g、200 g、300 g、400 g和 500 g不同負載下，SSAM的“長度-壓力”曲線；(c) SSAM基于互感的長度傳感等效模型；(d) 在100 g至500 g不同負載重量下 SSAM 的“長度-電感”曲線。
圖3 基于SSAM的仿生蚯蚓運動控制。(a) 由一個SSAM構建的類似蚯蚓移動機器人在三個不同運動階段的照片；(b) 基于SSAM的仿生蚯蚓在步頻從0.2 Hz到 2 Hz變化過程中，身體長度變化的自感知結果。
圖4 基于SSAM驅動的仿生手臂及其控制效果。(a) 展示了由一塊SSAM驅動的仿生手臂圖像；(b) 在人機交互過程中，手掌上感知到的外部負載情況；(c) 仿生手臂對外部刺激所做出的響應性運動；(d) SSAM感知網球負載并主動進行上下移動，在移除網球后，SSAM驅動的手臂會恢復到初始位置；(e) SSAM驅動仿生手臂以不同順序依次到達多個目標位置。
結論
綜上所述，團隊提出了一種自感知人工肌肉（SSAM）技術，該技術采用波紋管結構實現“收縮-伸展”變形，并無縫集成多段線圈以實現長度自感知。盡管人工肌肉的“長度-壓力”曲線因外部負載和內部驅動情況而極為復雜，但SSAM在不同的外部負載、驅動頻率和幅度下始終能夠提供肌肉長度的高精度信息（0.01 mm分辨率）。所研制的仿生手臂具備檢測外部負載的能力，并能在可變負載下保持其原始位置，或在人機交互過程中做出響應性移動，從而精確且反復地將其末端定位到多個指定位置。盡管所展示仿生手臂結構相對簡單，但充分體現了精確可靠的長度自感知在人工肌肉的應用潛力。未來，團隊將研制由多組SSAM驅動的具有復雜擬人功能的多自由度仿生手臂系統，以及具有地形感知和步態自適應能力的移動機器人。
期刊簡介
Wiley旗下智能系統領域開放獲取旗艦刊。期刊收錄關于具有刺激或指令響應智能的人造裝置系統的研究，包括機器人、自動化、人工智能、機器學習、人機交互、智能傳感和程序化自組裝等前沿應用。Advanced Intelligent Systems最新的期刊引文指標1.11，期刊影響因子6.8，在計算機科學，人工智能和自動化與控制系統中分類皆為Q1。(源自Clarivate 2023)
