Data-driven Explainable Controller for Soft Robots based on Recurrent Neural Networks

非线性和滞后性给软体机器人的运动带来了挑战，因此准确控制软体机器人成为了难点。神经网络，特别是循环神经网络（RNN），由于其非线性激活函数和循环结构，已被广泛用于解决这个问题。尽管它们在大多数任务中表现出令人满意的准确性，但这些黑盒子方法是不可解释的，因此在像机器人辅助手术这样需要高安全性的领域中是不合适的。基于RNN控制器，我们提出了一种可以在线更新参数的数据驱动可解释控制器（DDEC）。我们从理论上讨论了Jacobian控制器和运动学控制器，并证明它们只是DDEC的特例。此外，我们利用RNN、Jacobian控制器、运动学控制器和DDEC来进行轨迹跟踪任务。实验结果表明，我们的方法在考虑轨迹跟踪误差的同时表现出更好的性能，而且是可解释的。我们还进行了一项研究，探索和解释每个DDEC组件的功能。这是第一个克服了NN控制器和可解释控制器缺点的可解释软体机器人控制器。未来的工作可能涉及基于不同的RNN控制器提出不同的DDEC，并将它们应用于需要高安全性的应用中。

解决软体机器人控制中的非线性和迟滞问题，提出一种可解释的数据驱动控制器。

论文提出了数据驱动可解释控制器（DDEC），结合了RNN控制器、Jacobian控制器和运动学控制器的优点，能够在线更新参数。

实验结果表明，DDEC在轨迹跟踪任务中表现优异，同时具有可解释性。论文还对DDEC的组件进行了探索和解释，是第一个解释性的软体机器人控制器。

最近的相关研究包括利用深度学习控制软体机器人运动、基于模型预测控制的软体机器人控制等。