Традиционные физические модели для управления гибкими тензионными роботами столкнулись с вычислительным барьером. Как отмечают исследователи из Университетов Юты и Вандербильта (Брэнден Фриден, Джеймс М. Фергюсон, Алан Кунц и Варун Шанкар), опора на классическую теорию стержней Коссера хоть и позволяет описать изгибы и кручение, но работает непозволительно медленно. В условиях хирургической операции или сложной технической инспекции, где реакция требуется мгновенно, подобные расчеты превращаются в балласт. Стандартное машинное обучение могло бы решить проблему скорости, но оно патологически негибко: малейшее изменение в геометрии манипулятора, будь то положение спейсера или маршрут троса, делает обученную модель бесполезной.
Настоящий прорыв кроется в переходе от обучения конкретного «железа» к концепции Operator Learning — обучению нейрооператора, который понимает физику всего дизайнерского пространства. Чтобы преодолеть инерцию индустрии, команда разработала и сравнила четыре архитектуры, включая вариации глубоких операторных сетей (DeepONets) и нейронных операторов Фурье (FNO). В отличие от классических нейросетей, которые сопоставляют векторы, эти операторы работают с бесконечномерными функциональными пространствами. Это позволяет модели воспринимать параметры конструкции робота — длину основания или позиционирование приводов — не как константы, а как входные переменные.
По оценке авторов исследования, поддержанного ARPA-H и NSF, использование FNO и DeepONet обеспечивает высокую точность прогнозирования конфигураций для целого класса устройств без необходимости переобучать систему под каждое обновление оборудования. Для бизнеса в сфере хирургической и сервисной робототехники это означает радикальное сокращение цикла прототипирования. Мы наконец-то уходим от дорогостоящей физической калибровки в сторону автономного управления, которое адаптируется к изменениям конструкции на лету.
На наш взгляд, это важный сдвиг в методологии: инженеры больше не строят модель под один конкретный манипулятор. Вместо этого создается суррогатная механика, понимающая поведение любого робота в своем классе еще до его производства. Реальное планирование и оптимизация дизайна в реальном времени для нелинейных гибких систем наконец-то становятся практической реальностью, а не академическим упражнением.