Гибкие роботизированные манипуляторы, повторяющие форму хобота слона, могут проникать в узкие места и брать хрупкие предметы. Но управлять ими сложно: плавные изгибы делают следующее движение плохо предсказуемым. Исследователи из Пекинского университета предложили способ, который не даёт компьютерной модели "терять нить" при прогнозировании, даже если рука движется быстрее, чем было в обучающих данных.

Работа выполнена группой профессоров Се Гуанмина и Чжан Фэйтяня из Школы передового производства и робототехники Пекинского университета. Результаты представлены на конференции Robotics: Science and Systems (RSS 2026), проходившей в Сиднее с 13 по 17 июля 2026 года, и опубликованы в сборнике трудов конференции Robotics: Science and Systems XXII.

Обычно перед движением гибкого робота контроллер "проигрывает" возможные команды в компьютерной модели и выбирает лучшую. Модели, обученные на данных, предсказывают по одному маленькому шагу, и каждый следующий шаг отталкивается от предыдущего. Из-за этого мелкие ошибки накапливаются: после 200 шагов прогноз может сильно отклониться от реальности, и робот будет действовать, опираясь на неверное представление о собственном теле.

Идея команды - дать прогнозу точку опоры. Одна модель, названная "якорем", учится тому, какую форму принимает рука, когда управляющие сигналы остаются неизменными. На каждом шаге она подтягивает предсказание к этой форме, не позволяя ошибкам разрастаться. Но рука раскачивается и изгибается на пути к покою, поэтому вторая, более лёгкая модель - "коррекция" - учится этим динамикам по данным о движении. Вместе они образуют гибридную модель.

Сначала метод проверили в симуляции на трёхмерной руке с тросовым приводом. Когда требовалось предсказать 6 секунд движения, или 200 шагов, что значительно выходит за рамки обучающих данных, гибридная модель снизила ошибку более чем на четверть по сравнению с одним "якорем". Она также превзошла отдельную "коррекцию" и ни разу не потеряла траекторию в 19 испытаниях.

Затем испытания прошли на реальном устройстве - гидравлическом мягком хвосте, похожем на рыбий, который качается из стороны в сторону под давлением воды. Здесь ошибка гибридной модели оказалась вдвое или менее того по сравнению с одним "якорем" и вчетверо или менее - по сравнению с одной "коррекцией". В стандартных тестовых задачах она довела до конца все предсказания, тогда как конкурирующий метод иногда давал сбой.

Более устойчивые прогнозы дают контроллеру робота то, на что можно положиться. Он сможет сначала опробовать множество возможных движений на компьютере и выбрать самое безопасное, прежде чем реальная рука начнёт двигаться. Робот, способный предвидеть, как изогнётся его собственное тело, может спланировать осторожное движение заранее. Это может помочь гибким манипуляторам работать там, где жёсткие машины с трудом добираются, - например, в тесных пространствах и с легко бьющимися предметами.

Исследователи подчёркивают: речь идёт о статистической связи между архитектурой модели и точностью прогноза, а не о доказанном причинном эффекте. Гибридный подход проверен на симуляции и одном реальном устройстве; его применимость к другим типам гибких роботов ещё предстоит изучить.

Источник: Tech Xplore