针对这些痛点，来自 中山大学计算机学院谭宁老师团队 了一套创新解决方案 ： 将神经常微分方程（ NODE）的数据高效建模能力与预设时间同步稳定归零神经动力学（PTSS-ZND）模型的可靠控制特性相结 合，构建出兼具高效性与稳定性的新型控制系统。 这一成果已被国际顶级期刊《 IEEE Transactions on Robotics》录用，为连续体机器人技术的突破奠定了基础。 在仿生机器人的前沿探索中，连续体机器人已成为一个备受瞩目的新兴领域，代表着当前技术创新的一个重要 前沿方向。 连续体机器人的设计灵感源自自然界中的软体生物，如象鼻、章鱼触手和蛇类。与传统由刚性连杆和明确关节 组成的机器人不同，连续体机器人全身柔软可弯曲，能在三维空间中连续变形。这种特性赋予了它们无与伦比 的灵活性：可以挤过比自身直径更窄的空间，能安全地与脆弱物体或人类互动，且易于微型化。 但这份 "柔性优势" 背后，是巨大的技术挑战。传统机器人的运动规律可以通过刚体力学精确描述，而连续体 机器人的形变过程涉及复杂的力学耦合，如同用数学公式描述水流的任意形态，难度极大。 早期，工程师们采用 "分段常曲率假设" 建模，将机器人近似为一系列弯曲 ...

近年来， 连续体机器人 凭借其高柔顺性、灵活运动能力及轻量化和小型化结构，在医疗、工业检测、人机交 互等领域展现出巨大应用潜力。然而， 如何实现精准的路径跟踪仍是各类应用普遍面临的关键技术难题。 目前， 主流的路径跟踪方法依赖于逆运动学求解 ，即通过数学模型求解末端执行器期望运动路径下驱动器的 对应运动路径，并寻找多解以避开环境障碍物碰撞。然而，和刚性机械臂不同的是，连续体机器人多采用分段 等曲率模型，该模型缺乏逆运动学求解理论，传统数值方法依赖初值，也难以找到多解。部分研究采用模型预 测控制（ MPC），通过在线优化调整控制策略，但 该方法无法保证全局最优性。 受刚性机械臂研究的启发， 有学者提出在执行器空间规划全局最优轨迹，作为前馈控制信号以提高跟踪精 度。 然而，连续体机器人的高度非线性特性使得其任务空间、配置空间和执行器空间之间的映射关系更为复 杂。 数值逆运动学算法通常只能提供单一解，且对初始值敏感，难以满足全局轨迹优化的需求。 因此，如何突破逆运动学求解的局限性，发展高效、多解、不依赖初始值的解算和规划方法，是提升连续体机 器人路径跟踪性能的关键。 ▍提出最优路径跟踪框架，实现运动控制突破性优化 ...