的柔顺性高、环境适应能力强，在医疗辅助、人机交互等领域具有广阔应用前景。然而，其连续形变的特性也使其难以在复杂、多变环境中稳定工作。记者14日从东南大学获悉，该校联合新加坡国立大学、美国麻省理工学院团队，模拟大脑神经元的结构和神经突触的可塑性，提出了一种面向软体的通用学习与控制框架，并实现了较高的控制精度。相关成果近日刊发于国际学术期刊《科学进展》。

　　“人脑神经元之间靠突触进行连接和传递信息，这启发我们模拟大脑神经元的结构和突触的可塑性，来控制软体。”论文的第一作者兼共同通讯作者、东南大学机械工程学院副教授唐志强介绍，团队提出了一种通用学习与控制框架，这种框架由两类功能模块组成。

　　唐志强解释，第一类模块，是用摄像头捕捉不同软体机器人在完成不同任务时的共性特征，从而学习位移、轮廓、应变等变化的共性控制规律；第二类模块，是基于元学习的梯度算法，通过在执行不同任务的信息财经热点，自主调节机械臂的控制指令。

　　团队随后将这种框架在三种不同类型的软体机械臂平台上，进行轨迹跟踪、物体操作以及形态控制等技术验证。

　　“实验结果表明，该控制框架能够在负载连续变化、环境扰动以及执行器部分失效等复杂条件下保持较高控制精度和稳定性。”唐志强表示，应用这种框架，机械臂控制的绝对精度较高，其中位置控制误差在5毫米内，形变控制精度在92%以上。相对于目前主流的基于高斯过程的控制方法，位置控制误差可减少44%至55%，相较于基于图像的逆向运动学方法，形变控制误差可减少33%至68%。通用学习新框架解决软体机器人控制难题