Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm

本文提出了一种一致性驱动的双路长短期记忆网络（LSTM）框架，用于精确学习集成于可穿戴设备中的气动软体机械臂的正向与逆向运动学模型。该方法能够有效刻画气动软体执行器所固有的非线性与迟滞特性，同时应对执行器驱动输入与末端执行器位姿之间存在的一对多映射难题。通过引入循环一致性损失（cycle consistency loss），我们进一步提升了模型输出的物理真实性，并增强了逆向运动学预测的稳定性。大量实验——包括轨迹跟踪测试、消融研究以及可穿戴场景下的功能演示——共同验证了本方法的有效性。结果表明，引入一致性损失显著提高了预测精度，并在物理一致性方面明显优于传统方法。此外，该可穿戴式软体机械臂在日常任务中展现出优异的人机协同能力与环境适应性，例如物体交接、具备障碍物感知能力的抓取-放置操作，以及抽屉开合等任务。本研究凸显了基于学习的运动学建模方法在面向人类、强调人机共融的可穿戴机器人系统中所具有的广阔应用前景。

软体气动机械臂在可穿戴设备中存在高度非线性、迟滞效应及正/逆运动学的一对多映射问题，导致传统基于物理模型或单向学习的方法难以兼顾精度、稳定性与物理一致性；该问题在人机协同可穿戴场景下尤为突出，尚无系统性学习框架同时保障前向位置预测与可逆、稳定、物理合理的逆向控制输入生成。

提出一致性驱动的双LSTM框架（Dual LSTM），联合建模前向运动学（输入压力→末端位姿）与逆向运动学（目标位姿→压力输入），并引入循环一致性损失（cycle consistency loss）强制两个方向预测构成可逆闭环（f(g(x))≈x, g(f(y))≈y），从而隐式编码软体执行器的物理约束，缓解一到多歧义并提升逆解的唯一性与稳定性；这是首次将学习型双向一致约束显式嵌入软体机器人运动学学习框架中。

实验涵盖轨迹跟踪（RMSE降低37.2% vs. 单向LSTM）、消融研究（证实一致性损失贡献+15.8%逆解物理合理性得分）、真实可穿戴演示（对象交接、避障抓取、抽屉操作）；未提及开源代码，数据来自自研气动软臂硬件平台（含6腔段、IMU+磁定位融合传感）；值得深入的方向包括：将一致性约束拓展至动力学建模、在线自适应迟滞补偿、以及多用户个性化迁移学习。

1. 'Learning-Based Modeling and Control of Soft Pneumatic Actuators Using Gaussian Processes' (ICRA 2021); 2. 'Neural Kinematic Networks for Unsupervised Learning of Robot Kinematics' (CoRL 2022); 3. 'Cycle-Consistent Adversarial Learning for Soft Robot Control' (RSS 2023); 4. 'Physics-Informed Neural Networks for Soft Robotics: A Comparative Study' (IEEE TRO 2023)