研究背景与行业意义 - 软体机器人因其高柔顺性和强大的环境适应能力，在医疗辅助、人机交互等领域具有广阔应用前景 [1] - 然而，其连续形变的特性使其在复杂多变环境中难以稳定工作，这是行业当前面临的主要技术挑战 [1] 技术突破与核心框架 - 研究团队模拟大脑神经元结构和神经突触的可塑性，提出了一种面向软体机器人的通用学习与控制框架 [1] - 该框架由两类功能模块组成：第一类模块通过摄像头捕捉不同机器人的共性特征，学习位移、轮廓、应变等变化的控制规律 [1] - 第二类模块基于元学习的梯度算法，利用执行不同任务的信息自主调节机械臂的控制指令 [1] - 该框架已在三种不同类型的软体机械臂平台上进行了轨迹跟踪、物体操作及形态控制等技术验证 [1] 实验性能与数据对比 - 实验表明，该控制框架在负载连续变化、环境扰动及执行器部分失效等复杂条件下能保持较高控制精度和稳定性 [2] - 应用该框架，机械臂位置控制误差在5毫米内，形变控制精度在92%以上 [2] - 相较于主流的基于高斯过程的控制方法，其位置控制误差可减少44%至55% [2] - 相较于基于图像的逆向运动学方法，其形变控制误差可减少33%至68% [2] 成果发布 - 相关研究成果已刊发于国际学术期刊《科学进展》 [1]