用于机器人设计全域变形预测的可泛化神经算子

《ADVANCED ENGINEERING INFORMATICS》:A generalizable neural operator for full-field deformation prediction in robotic design

【字体: 大 中 小 】 时间:2026年03月19日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

  机器人设计与优化通常需要大量基于仿真的迭代计算,尤其是在预测不同姿态、外部载荷和重力条件下的静态变形时。传统有限元仿真虽能达到较高精度,但计算成本高昂,限制了其在大规模设计优化中的应用。数据驱动方法虽能加速预测,但现有方法多局限于简化场景,如固定几何变姿态或固

  
机器人设计与优化通常需要大量基于仿真的迭代计算,尤其是在预测不同姿态、外部载荷和重力条件下的静态变形时。传统有限元仿真虽能达到较高精度,但计算成本高昂,限制了其在大规模设计优化中的应用。数据驱动方法虽能加速预测,但现有方法多局限于简化场景,如固定几何变姿态或固定姿态变载荷,且通常仅预测离散点位移而非完整变形场。为实现快速且可泛化的变形预测,研究人员提出了一种名为Robot-NO的新型神经算子架构。该架构首先构建基于有限元网格连通性的几何–载荷图,其中每个节点编码空间坐标与局部载荷条件;随后采用图神经网络提取统一的全局表征,以捕捉几何结构与外载荷分布;最后通过查询–解码器模块将全局特征与任意查询坐标结合,预测完整变形场。这种基于查询的表述形式可在不同机器人几何、姿态和载荷条件下实现准确的连续变形预测。实验结果表明,所提模型变形预测的均方根误差为0.91 μm,且比传统有限元仿真快6000倍。这一显著提升为机器人机构的快速设计、分析与优化提供了支持。
研究背景与现存问题方面,机器人具有高灵活性、大工作空间、轻重量及相对低成本等显著优势,使其在手术操作、制造和装配等领域具有重要价值。然而,机器人的机械刚度强烈依赖于其几何构型与姿态,在变化的自重和外载条件下会产生显著的结构变形,严重降低末端执行器定位精度并影响任务性能。为缓解这些问题,设计人员常基于预测变形行为优化机器人结构和任务轨迹,因此准确的变形建模对于实现高精度可靠的机器人性能至关重要。然而,机器人变形预测本身具有复杂性,变形场随几何构型和空间姿态而变化,设计过程中常需进行数千次仿真以评估候选设计、构型和载荷条件。有限元分析可提供准确变形估计,但计算成本过高,难以适用于迭代式或大规模设计优化,因此亟需快速准确的变形场预测方法以有效支撑机器人系统的设计与优化。

现有方法可分为基于力学的方法和数据驱动方法两类。基于力学的方法显式构建机器人结构的物理或解析模型以估计外载下的变形,代表性技术包括有限元法(FEM)、矩阵结构分析(MSA)和虚关节法(VJM)。FEM通过将结构离散为有限元并求解平衡方程获得高保真结果,能准确捕捉应力和应变分布,但分析不同姿态和几何构型时需消耗大量计算资源。MSA将结构简化为梁和关节单元,提高了计算效率但牺牲了准确性和灵活性。VJM进一步通过关节处虚拟弹簧建模柔度,实现末端执行器挠度的解析表述,但这些简化方法依赖线弹性假设和预定义结构参数,无法预测不同几何和载荷条件下的全域变形。数据驱动方法绕过显式结构建模,直接从外载或机器人姿态等输入学习至变形场的映射。早期机器学习方法采用响应面法和Gaussian过程回归等代理模型近似设计空间上的变形或误差响应,虽能加速优化,但受限于参数化设计变量且无法泛化到新几何。近期深度学习进展引入了能从载荷和姿态参数学习复杂非线性映射的神经网络,虽比基于力学的方法更快,但多数仅针对固定几何构型或特定姿态训练,且常仅预测离散点而非连续场的变形。近年来,神经算子作为学习连续物理场间映射的强大范式兴起,实现了端到端的场到场预测。与传统神经网络近似离散输入–输出关系不同,神经算子学习支配系统行为的底层函数映射,从而允许任意空间分辨率下的推理。DeepONet和Fourier神经算子(FNO)等代表性模型在求解偏微分方程和预测复杂物理现象方面取得显著成功,为预测机器人结构中的变形场提供了有希望的基础。然而,现有神经算子框架多针对固定空间域设计,无法泛化到几何变化或边界条件变化的系统。尽管已有研究提出diffeomorphic神经算子和基于transformer的算子网络等扩展以处理几何变化,但机器人变形场预测仍具挑战性:机器人不同连杆几何、姿态和构型间存在大规模几何变化,导致变形场在变化域和广工作空间上定义;且关节运动学、重力与外载的耦合引入了高度非线性和构型相关的变形行为。

为此,研究人员在《ADVANCED ENGINEERING INFORMATICS》上提出了Robot-NO,一种面向不同几何、姿态和载荷条件下机器人变形场快速可泛化预测的新型神经算子框架。此处几何指关节和连杆尺寸而非机器人构型。该方法通过几何–载荷图整合几何与载荷信息,采用图神经网络(GNN)在低维嵌入空间提取统一结构表征,再通过基于查询的解码器在任意空间位置预测连续变形场,克服固定域神经算子和传统数据驱动模型的局限,实现机器人构型空间内的高精度和强泛化。实验证明Robot-NO具有可接受的精度,且在计算效率上比有限元分析高四个数量级,为实时大规模机器人设计与优化提供了有效可扩展的变形预测方法。

关键技术方法方面,研究人员主要采用了以下技术路径:基于有限元网格连通性构建几何–载荷图作为算子输入;利用图卷积网络(GCN)进行多轮消息传递和全局池化以提取统一结构嵌入;设计基于查询坐标的解码器模块实现连续变形场的分辨率无关预测;采用加权均方误差作为训练目标函数以自适应强调大物理响应区域。样本队列来源于参数化生成的9000个机器人实例,涵盖多种几何、姿态和外载组合。

研究结果部分,全文设置多个子标题展开论述:

全变形场预测案例研究。研究人员考察了两个具有不同几何、姿态和外载的代表性机器人案例,将X、Y、Z三方向的预测变形场与Abaqus仿真参考场进行对比,并提供了误差分布和切片式内部视图。案例1中预测变形场与真实分布高度吻合,模型有效捕捉了全局变形趋势和细尺度局部变化,准确捕获了因几何不连续或刚度集中变化导致的关节界面等高梯度区域,绝对误差在整个结构中保持较小水平。案例2呈现类似一致性。定量结果显示案例1在X、Y、Z方向的MAE分别为0.95μm、0.93μm和1.43μm,案例2分别为0.76μm、1.19μm和0.82μm,表明Robot-NO在不同机器人几何和姿态下均能提供高精度的全变形场预测。

构型变化影响分析。为评估方法在不同关节构型下的泛化能力,研究人员对固定几何设计在5N各向力下生成了一组机器人姿态,每个构型对应独特的关节角组合。X、Y、Z三方向末端执行器位置分布及相关预测MAE覆盖了工作空间的大部分区域。所有三方向的预测变形场均与参考解紧密匹配,空间变形模式在全部采样构型范围内保持稳定,MAE始终处于微米量级。对六个关节角全范围的进一步分析表明,误差分布保持平滑且均匀偏低,模型不表现出对任何特定关节旋转的敏感性。

载荷变化影响分析。为验证方法在多样载荷条件下的鲁棒性,研究人员选择了两种机器人构型,每种构型生成500个随机采样的载荷向量。结果表明,两种构型的误差在整个采样力空间中始终保持较低水平,但也观察到某些载荷相关模式:特定姿态下当某方向载荷分量较大时该方向MAE略有增加,这与不同姿态具有不同刚度特性、更强方向性载荷导致更复杂变形响应的事实一致。尽管存在这些局部增加,所有载荷组合下的误差仍保持在微米范围内。

网格尺寸影响分析。为评估分辨率无关性和跨离散化尺度的泛化能力,研究人员使用10mm、8mm和5mm三种网格尺寸进行消融实验。预测精度在所有测试分辨率下保持稳定,X方向MAE仅从10mm时的0.85μm微幅波动至8mm时的0.90μm和5mm时的1.06μm,Y和Z组件呈现类似趋势。这种稳定性主要归因于基于查询的解码器表述,将变形预测视为连续函数求值问题而非固定节点位移。

几何变化影响分析。研究人员通过随机采样几何参数、关节构型和外载生成了250个机器人实例以评估跨几何泛化能力。X、Y、Z方向预测误差的MAE分布显示几乎所有参数的预测误差均保持在微米范围内。某些参数如连杆长度和半径的增加会引入更大的变形行为,导致更宽的错误分布。Pearson相关系数分析显示误差与大多数几何参数的相关性主要介于±0.1之间,表明无单一参数主导预测误差。

消融研究与对比实验。研究人员设计了多个模型变体验证架构组件的必要性。Robot-NO-GL将几何和载荷分开处理,PT-GE-GL和PT-FD-GL采用Point Transformer替代GNN编码器和查询解码器。结果表明Point Transformer变体性能显著劣于GNN框架,因其基于空间邻域聚合可能误将非连接邻近区域视为耦合,无法捕捉几何、载荷与变形场间的固有关系。与两种参数规模的Transolver对比显示,Robot-NO在310,023参数量下显著优于1,807,051参数的TS-Large-GL,MAE平均降低20.06%;与297,071参数的TS-Small-GL相比,Robot-NO在三方向上保持更小的误差方差,MAE平均改进13.31%。

讨论部分,研究人员指出当前研究仅考虑了点载荷和重力,但Robot-NO的节点级编码固有地适用于处理分布式和多作用力等复杂载荷模式。由于基于图的算子具有非线性学习能力,通过非线性有限元求解器生成的数据集训练,该模型可近似非线性弹性和大变形行为。通过增强几何–载荷图的局部方向特征,模型还可显式考虑从动载荷等各类力。除变形场外,Robot-NO架构还兼容应力和应变场等其他关键物理量的预测,通过扩展查询解码器输出维度或采用多分支结构即可实现,这对机器人设计、分析和优化至关重要。

结论部分翻译如下:该工作提出了Robot-NO,一种用于机器人变形场快速准确预测的新型神经算子架构。主要贡献包括:(1)提出可泛化的神经算子表述,预测不同机器人几何、关节构型和外载条件下的全域弹性变形,解决了现有数据驱动变形模型受限于固定域或部分输出的关键局限;(2)所提方法实现微米级全变形场预测精度,在X、Y、Z位移分量上的MAE分别为0.92±0.51μm、0.88±0.50μm和0.87±0.43μm,涵盖多样几何设计、姿态和载荷条件;(3)计算效率方面,Robot-NO相比传统FEM仿真实现6000倍加速,将全变形场推理时间从30秒降至0.0058秒,从而支持大规模设计探索和实时变形感知优化。凭借其卓越的效率和强泛化能力,Robot-NO支持结构参数的快速优化、有效变形补偿和近实时数字孪生实现,这些能力对于推进机器人设计、规划和实际应用至关重要且日益不可或缺。尽管方法展示了强整体性能,某些极端几何或载荷条件仍可能导致相对较高的预测误差,提示可通过更大规模多样化训练数据集、增强模型容量和更先进训练策略进一步改进。将物理约束纳入算子表述也是提高鲁棒性的有前景方向,尤其在变形行为高度非线性或对结构变化敏感的区域。模型跨不同机器人拓扑的泛化和迁移能力也值得进一步探索。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号