为了最有效地工作，应快速有效地控制充气机器人的刚度和位置。然而，大多数现有的用于控制软充气机器人的刚度和位置的模型都受到一定程度的限制，并且通常无法获得令人满意的结果。
杨百翰大学的研究人员最近进行了一项研究，旨在评估和比较同时控制充气机器人的刚度和位置的不同方法。他们的论文发表在《国际机器人研究杂志》上，介绍了一种将刚度表示为状态变量的模型。该模型最终可用于更有效地控制充气机器人的刚度和位置。
进行这项研究的研究人员之一马克·基尔帕克(Marc Killpack)对TechXplore 表示：“软机器人可能会改变机器人在现实世界中(工厂或其他结构化环境之外)处理操纵任务的方式。” “但是，带有对抗性执行器的软机器人的主要优势之一- 在我们的论文中，两个气动腔室会沿相反的方向产生扭矩-常常被忽略或没有明确地用于控制关节的刚度。”
人类和其他生物有机体能够连续控制关节的僵硬，以适应不同的情况以及与环境中物体或人的相互作用。过去，一些研究人员能够使用主动控制策略在传统的刚性机器人上复制此功能。
但是，这些策略通常需要通过以极高的速度运行的代码来控制机器人。结果，它们的性能可能很差，有时甚至会在机器人中产生不良行为，尤其是在力传感器发生故障时。
控制软机器人的刚度和位置可能比控制刚性机器人要容易得多，因为它不需要高速控制和力传感器来获得类似的可变刚度结果。实际上，也可以使用计算模型和算法来控制软机器人的刚度。在他们的研究中，Killpack和他的同事探索了这种可能性，介绍了一种用于控制充气机器人刚度的新模型。
Killpack说：“有趣的是，我们在研究非线性和更复杂的气动和压力-扭矩模型方面做了很多工作。” “但是，在我们最初尝试实现基于模型的控制时，我们发现复杂的模型并不一定会带来更好的性能，并且会严重影响我们执行实时模型预测控制的能力。”
在意识到模型的复杂性并不一定会影响其控制软机器人的刚度后，Killpack和他的同事决定开发一种简化版本的动态模型，该模型是他们先前工作中开发的。最初，研究人员试图使用称为QP凸优化求解器的复杂模型来实现基于模型的控制。然而，在他们最近的研究中，他们发现使用基于GPU的基于改进和简化的非线性模型的优化可以达到更好的控制性能。
Killpack说：“我们的主要发现是，可以同时控制大型，柔软的气动机器人的关节刚度和位置。” “软机器人有效控制刚度和位置的能力绝对取决于可用的源压力和最大允许控制压力。”
当Killpack和他的同事评估他们的模型预测控制(MPC)方法时，他们发现它比以前基于控制单个软机器人关节的方式设计的方法取得了更可喜的结果，并且调整起来要容易得多。他们的发现强调需要引入工具包和教程，以
应用与他们的研究类似的MPC技术。
将来，这些技术将最终指导没有背景的机器人技术研究人员设计自己的MPC方法，从而帮助他们更好地控制充气机器人的刚度和位置。Killpack和他的同事现在正在尝试改进他们引入的方法，以进一步提高其性能。
“更具体地说，我们正在考虑将机器学习的优势与深度神经网络(用于学习软机器人的非线性甚至随机行为)与基于模型的最佳控制相结合，以与我们相比提高软机器人的性能过去的工作，” Killpack说。“这将反过来增加软机器人在现实世界中实际操作任务的生存能力。此外，既然我们已经证明我们至少能够控制其刚度，我们希望开发一种方法来指定软机器人应如何操作在整个任务中改变其刚度。”
