论文链接：https://www.science.org/doi/full/10.1126/sciadv.adg8019
技术背景
传统刚性机器人结构在形变自由度和实时响应上存在诸多局限，而软体机器人则凭借其无限形变自由度和生物相似性吸引了广泛关注。然而，对于需要高自由度表面重构的复杂应用场景，现有技术的硬件接口复杂、算法效率低、设备体积庞大等问题，限制了软变形技术的实际应用。
文章亮点
提出基于被动矩阵寻址的控制系统，结合离子电活性聚合物驱动器在断开电压时能维持变形状态的特性， 使用 2N个输入信号即可独立控制 N2 个像素单元。
通过有限元模拟生成训练数据，结合多层感知机（MLP）模型，实现前向预测和逆向控制，快速精准地重构预定义表面。
控制速度可达 50 Hz，平均误差在10%左右，明显优于传统方法。
6×6 像素阵列能够动态实现各种 3D 表面形变。
所形成的曲面的复杂度远高于现有的可编程曲面。
应用场景
用于虚拟现实（VR）和增强现实（AR）的实时触觉反馈界面，增强沉浸式体验。
实现远程协作中的物理交互，如动态展示地形图或3D模型。
欠驱动的可编程表面极大的减少了控制输入，可以使控制系统小型化，便携化，为其在医疗设备，可穿戴设备上的应用提供可能。
灵活的表面形变能力可用于模仿自然界中的复杂曲面，既可以做仿生机器人也可用作机器人的‘动态皮肤’。
图1展示了被动矩阵软变形表面（PARMS）的设计与工作原理。(A)显示了以聚吡咯（PPy）为活性电极、多孔聚偏二氟乙烯（PVDF）为离子导体的交叉电极阵列结构，通过显著减少控制输入实现高效像素独立控制。(B)展示了PARMS在初始平整状态与激励后的变形状态。(C)解析了离子电活性聚合物致动器的原理：PPy电极在阳极氧化结合阴离子TFSI⁻，在阴极还原释放TFSI⁻，引发电极体积差异膨胀，实现形变。(D)通过电子显微镜横截面图展示了各层结构，PVDF基底厚90微米，PPy电极层12微米，Pt/Pd导电层小于1微米。(E)通过间歇性电压应用，实现致动器在无电压状态下仍能维持形变，提升能效。(F)比较了“充电-放电”和“充电-断开”两种操作状态，后者表现出更好的形变保持性能。整体设计结合创新结构和控制技术，为动态形状重构提供了高效、灵活的解决方案。
图2比较了被动矩阵寻址算法的性能差异。(A)展示了直接被动寻址（DPA）的基本原理，通过同时为所有行列电极施加电压来驱动像素。(B-D)展示了逐行扫描（PS）的基本原理，逐行依次施加电压以设置每个像素的状态，避免了电流冲突。(E)通过四个演示示例说明不同电压分布对平均电压误差的影响，其中(E-I)到(E-III)为DPA的理想电压输入，(E-IV)为PS的理想电压分布。(F)与(G)分别显示了DPA和PS算法下的实际电压分布，体现了PS在减少交叉干扰和误差方面的优势。(H)比较了误差分布，(H-I)到(H-III)同时对比了DPA和PS在带有聚合物阻隔层时的误差分布，而(H-IV)仅显示了PS的误差分布，因为DPA无法实现(E-IV)中的电压分布。这些结果表明，与DPA相比，PS显著减少了误差，尤其是在需要浮动连接的情况下，从而在动态形状重构中表现出更高的精确性和适用性。
图3展示了多层感知机（MLP）模型的结构与训练性能。(A)为MLP模型的示意图，该模型用于被动矩阵软变形表面的形状控制，包括输入层、隐藏层和输出层，通过神经网络实现前向预测和逆向控制。(B)展示了逆向控制中R²分数和均方误差（MSE）随训练数据规模变化的关系，表明随着数据规模的增加，模型性能显著提升，R²趋于接近1，MSE逐步降低。(C)则展示了前向控制中类似的趋势，证明更大的训练数据规模对模型预测精度的提升同样重要。这些结果验证了MLP模型在软变形表面控制中的高效性，并强调了充分训练数据对优化性能的重要性。
图4展示了基于机器学习对PARMS进行前向控制的效果。(A, C, E)分别为PARMS在不同输入电压下的实际形变。(B, D, F)为ML算法预测的对应形变结果，展示了较高的预测精度。(G-L)通过有限元方法（FEM）模拟PARMS的形变，其中(G, I, K)为输入电压分布，(H, J, L)为对应的z方向位移幅度。(M-R)则对实际形变与模拟结果的误差分布进行了分析，其中(M, O, Q)为数值误差分布，(N, P, R)为空间误差分布。这些结果表明，ML算法不仅能够准确预测PARMS的形变，还在空间分布上与FEM模拟结果具有较高一致性，为动态表面形变的精准控制提供了有力支持。
图5展示了动态形状变形系列的逆向控制效果。(A)和(B)分别为两个形变演示系列。在每一步中：最左侧图像为输入的目标表面形状；第二幅图像为通过模拟得到的形变结果；第三幅图像展示了物理设备的实际形变效果；最右侧图像为目标形状与实际形变之间的误差分布。图中黑色点为从物理设备采集并处理的点云数据，而表面形状由模拟结果推导而得。这些结果清晰展示了ML算法对目标表面的高效逆向控制能力，同时通过误差分布揭示了算法在实际形变控制中的准确性和潜在优化空间，为复杂表面动态形变的精准实现提供了技术支撑。
