ToRoS: A Topology Optimization Approach for Designing Robotic Skins

一句话总结

ToRoS 把”给软体气动机器人设计加强纹样”变成一个可微的拓扑优化问题，自动在弹性织物上生成 3D 打印加强图案，让充气后的形状逼近用户指定的目标变形，无需依赖专家试错。

研究背景

• 领域现状：软体机器人靠气动驱动产生大变形，控制充气形状的常见做法是调整内部气腔形状，或用纤维、片材等”限应变”材料结构化橡胶膜。
• 核心痛点：这些方法几乎都依赖专家设计和物理样机上的反复试错；直接把标准拓扑优化搬过来又会产生棋盘格伪影、非二值（灰度）密度、以及难以制造的孤立材料”小岛”。
• 本文 idea：提出”机器人皮肤”概念——在薄的可拉伸织物上 3D 打印柔性加强纹样，把形状控制与驱动解耦，从而实现完全平面化的低成本制造；并把加强纹样设计写成一个非线性约束优化问题，用为”织物 + 打印加强”量身定制的三场拓扑优化自动求解。

方法

整体框架：从一个随机密度场出发，反复执行三步——先在给定气压下求解充气后的静力平衡形状，再用伴随法做敏感度分析求目标对每个单元材料密度的梯度，最后用移动渐近线法（MMA）更新密度场，直到收敛为可制造的加强纹样。

flowchart LR
  A["初始: 随机密度场 + 目标形状 + 气压"] --> B["前向仿真: 求充气静力平衡"]
  B --> C["敏感度分析: 伴随法求梯度"]
  C --> D["设计更新: MMA 更新密度场"]
  D --> E{"收敛?"}
  E -- 否 --> B
  E -- 是 --> F["可制造设计 → 打印/缝制"]

关键设计分为四点：

1. 前向仿真与材料模型。把机器人皮肤建模为线性三角形单元组成的离散壳。织物表征实验显示其应力-应变先线性、后突然指数硬化，作者用 Gent 模型拟合这种超弹性行为——它可看作带对数障碍项的 St.Venant-Kirchhoff 模型，\(c_1,c_2\to\infty\) 时退化为标准 StVK。每个单元的拉梅参数按密度在织物与加强材料间线性插值：\(\lambda_e=(1-\rho_e)\lambda_{\text{fabric}}+\rho_e\lambda_{\text{reinforcement}}\)。弯曲能量用三角形平均曲率算子离散，气压能量取理想气体假设 \(E_{\text{inflation}}=-PV\)，总能量对节点位置求梯度得到力，\(\boldsymbol{f}(\boldsymbol{x})=0\) 时即静力平衡，用带对角正则的牛顿法求解。

2. 三场拓扑优化。密度场 \(\boldsymbol{\rho}\) 先经一个半径 \(R\)（取 0.6mm）的加权卷积滤波得到平滑场 \(\tilde{\boldsymbol{\rho}}\)，强制加强纹样的最小宽度；再经平滑 Heaviside 投影得到准二值场 \(\bar{\boldsymbol{\rho}}\)。三个场（设计场、平滑场、投影场）共同构成三场方法，把平滑、最小厚度过滤和材料二值化直接嵌进优化过程。

3. 密度约束与周长正则。为了逼出严格二值分布，加入两个不等式约束，要求填充率不落在中间区间 \([\eta_t,\eta_r]\)（取 0.3 与 0.7）内，避免出现材料归属模糊的灰度值。更关键的创新是新的周长正则项：作者观察到标准三场方法会产出孤立的材料小岛，既无益于功能又难以制造。他们用一个光滑最小值滤波”腐蚀”投影密度场再作差，估计出加强材料的边界长度 \(R_{\text{perimeter}}=\sum_i P(\bar{\rho}_i)\)，把它作为惩罚项压缩总周长，从而消除小岛、鼓励紧凑连通的纹样。

4. 目标与求解。用简单的 \(L_2\) 目标度量仿真平衡形状与目标形状的差距 \(T=\tfrac{1}{2}\lVert \boldsymbol{x}_{\text{eq}}(\boldsymbol{\rho})-\boldsymbol{x}_{\text{target}}\rVert^2\)，加上周长正则一起最小化，约束包括密度范围、力平衡与两个密度约束。与既有方法不同，本方法不强制用户预设材料预算，而是自动确定最优材料用量与气压。目标网格由可展 3D 网格经 ABF++ 平面参数化自动生成平面裁片。

实验结果

主实验是”可编程气动执行器”：同一根 2×15 cm 的圆柱气囊，只换不同的机器人皮肤纹样，就能被编程出弯曲、收缩、扭转等不同运动。下表对比每种目标的仿真预测与物理样机实测。

执行器	目标	仿真结果	物理样机实测
弯曲	180° 等曲率弯曲	5 kPa 下达成	13 kPa 下最大弯至 150°
收缩	轴向收缩 8%	达成目标	10 kPa 下收缩 7.8%
扭转	扭转变形	略高于实测	15 kPa 下扭转 300°

优化出的纹样常与人工设计不同：弯曲执行器生成了内侧空心菱形结构加向上延伸的肋，收缩执行器得到夹角 60~70° 的两组平行线（概念上类似 McKibben 气动人工肌肉），扭转执行器则是带竖向连接的倾斜条纹。此外还展示了机械性能调制（正交异性、四方对称瓦片纹样在 10% 应变下与目标刚度曲线定性吻合）、三腔四足步行机器人（每个驱动周期前进约 2.5 cm）与三指抓手等应用。

亮点与局限

• 亮点：
  • 把软体机器人加强纹样设计从”专家试错”变为”给定目标形状即可自动求解”的可微优化问题，且自动确定材料预算与气压。
  • 针对织物-加强这一特定场景改进三场拓扑优化，用新的周长正则消除难以制造的材料小岛，产出紧凑连通、可直接平面打印的纹样。
  • 打印+织物解耦驱动与形状控制，实现完全平面化、低成本、用标准 FDM 打印机即可完成的制造流程；所有设计都做了物理样机验证。
• 局限：
  • 仿真与物理实测存在明显数值差距（如弯曲达标气压从 5 kPa 升到 13 kPa），因为极端变形高度非线性，且织物被建模为理想各向同性弹性体，忽略了各向异性、塑性、织物与加强层的完美粘接假设，以及气囊与皮肤间的摩擦。
  • 目前只用单一柔性加强材料；多材料能提供更强的变形控制能力。
  • 机器人运动的控制信号仍为手工编程，尚未与皮肤设计协同优化。

延伸思考

• 论文明确提出的方向是”皮肤设计与控制算法协同设计”，这与图形学里角色/软体机器人 co-design 的思路一脉相承，值得把强化学习控制器一并纳入外层优化。
• 周长正则用光滑最小值腐蚀估计边界长度、以此惩罚孤立小岛，这一”制造可行性正则”思路可迁移到其他会产生碎片化材料分布的拓扑优化场景（如多材料超材料设计）。
• 把加强纹样从单材料扩展到组合超材料/柔顺机构，可能大幅拓宽可实现的目标变形空间，是连接”计算制造”与”超材料设计”两条线的自然结合点。