PINN-Ray: A Physics-Informed Neural Network to Model Soft Robotic Fin Ray Fingers

本文旨在为软体机器人建立一个复杂变形模型，以便了解其行为并实现与环境的安全交互。然而，由于复杂几何形状、大变形、材料非线性等原因，建立高精度且具有快速推断速度的代理模型对软体机器人来说是具有挑战性的。代理模型的现实差距也阻止了它们在软体机器人领域的进一步部署。在本研究中，我们提出了一种名为PINN-Ray的物理信息神经网络，用于模拟Fin Ray软体机器人夹持器的复杂变形。该方法将弹性力学中的最小势能原理和高保真实验数据嵌入到神经网络的损失函数中进行训练。与其他数据驱动的神经网络相比，该方法在复杂几何形状上具有泛化能力，对数据稀缺性也比较鲁棒。此外，我们还介绍了一个自动化框架，用于设计、制造软体机器人手指，并通过视觉跟踪来表征其变形，为软体机器人的快速原型提供了指导。经过数据同化处理后，PINN-Ray在模拟真实差距方面比有限元建模（FEM）表现更准确。

本文旨在通过提出一种基于物理知识的神经网络模型PINN-Ray来解决软体机器人复杂变形建模的问题，以及解决数据驱动神经网络的现实差距问题。

PINN-Ray模型将弹性力学的最小势能原理和高保真实验数据嵌入到神经网络的损失函数中进行训练，从而实现对软体机器人复杂变形的建模，同时具有对复杂几何形状的泛化能力和对数据稀缺性的鲁棒性。

本文提出的自动化框架可以设计、制造软体机器人手指，并通过视觉跟踪来表征它们的变形，为软体机器人的快速原型提供了指导。在数据同化方案的帮助下，PINN-Ray模型在模拟与实际之间的差距方面表现出比有限元建模更高的精度。此外，本文还介绍了与软体机器人变形建模相关的其他工作。

最近在软体机器人变形建模领域的相关研究包括：《A Survey on Soft Robotics for Human Assistance》、《Design and Control of Soft Robots for Rehabilitation and Assistance》、《A Review of Soft Robotics for Medical Rehabilitation》等。