研究人員提出了一種利用雙向循環神經網絡（biLSTM）的MSCA規劃與控制策略，即使使用不準確的內部傳感信號，也能實現上述任務，實驗結果表明該方法在多種任務中表現優異。
軟體機械臂由于其運動的非線性、時滯性與遲滯性而難以控制，而在多段軟體機械臂（MSCA）內，其各段間的驅動、傳感和運動的耦合更增加了控制難度。
但同時，由于MSCA的各段可以相對獨立地驅動，這類機械臂可以實現末端位姿控制、形狀控制、控制過程中自動避障、實時交互等復雜控制任務。
意大利比薩圣安娜高等學院和洛桑聯邦理工學院的研究人員提出了一種利用雙向循環神經網絡(biLSTM)對于MSCA構型的規劃與控制的策略，該方法即使運用不準確的內部傳感信號也能實現上述復雜任務。
論文鏈接：https://ieeexplore.ieee.org/document/11049035
研究人員針對MSCA提出了多功能控制器，首先分析多段軟體機器人的運動邏輯，如圖1所示，各段的驅動量(A)直接影響各段的構型(C)，同時其構型還收到相鄰段的構型和重力的影響，最終所有段的構型共同決定MSCA的狀態(S)，如各段的位置、姿態和整體形狀。
圖1. MSCA運動示意圖與實體實驗
對于狀態空間到構型空間的規劃（S2C），研究人員提出了一個以biLSTM作為正向運動學模型（NN_C2S）的優化問題
其中損失函數的各個項分別為了減小目標與實際位置差距(Lp)、減小目標與實際姿態差距(Lo)、增大障礙物與實際位置距離(Lob)、減少每步構型變化(Ld)。
需要注意的是，biLSTM運動學模型不是以準確的各段形變代表配型(real configuration)，而是如圖1所示，以并不準確的、受段間耦合影響的內部傳感估算的形變代表配型(internal configuration).
在根據狀態空間的目標規劃了目標配型后，接下來實現從配型到驅動的控制(C2A)。由于biLSTM與MSCA有著同樣的段間耦合特點（如圖2所示），基于研究人員過去的工作，利用biLSTM實現MSCA的配型控制。
圖2 （A）MSCA 運動框圖、（B）MSCA示意圖、（C）biLSTM控制器與（D）單個單元示意圖
所使用的線驅機器人的不可壓縮性給每段的驅動量（線長）進行了約束，因此我們提出了一個激活層來滿足每段的三個驅動量的約束與范圍要求。
研究人員首先進行基礎任務的實驗并與基于常曲率模型（PCC）的方法進行比較。
在基礎任務中，研究人員控制機器人末端位置進行軌跡追蹤，并在此基礎上控制俯仰角與偏航角。
該方法比PCC在各個任務里都有更低的誤差，MSCA運動如圖3和視頻所示。
圖3 MSCA實現末端位置和姿態控制。
除了基礎任務，該方法還可以實現一些復雜任務?？紤]到MSCA適合在手術、發動機維修等有位置要求的任務中使用，限制某些位置不變的情況下驅動機械臂，運動如圖4與視頻所示。
圖4 MSCA實現位置限制控制
除此之外，該方法還可以實現避障與追蹤。
在圖5中，MSCA被要求接觸紅色目標，不斷在原軌跡上放置藍色障礙物使其對于軌跡進行重新規劃。
圖5 MSCA實現避障
在此基礎上，該方法還可以實現線上追蹤和避障，如圖6和視頻所示。
圖6 MSCA實現線上追蹤與避障
在這篇論文中，研究人員基于MSCA的段間耦合提出了利用biLSTM的多功能規劃與控制策略，該策略可以實現MSCA的末端位姿控制、位置限制控制、線上避障與追蹤。
在以后的工作中，研究人員計劃基于物理模型對工作空間進行分析，以在控制前驗證目標位姿的可行性，同時計劃引入不同的傳感器以提高配型準確度。