Структурно-параметрический синтез эластичных фаланг адаптивных робототехнических захватных устройств на основе принципа работы плавников рыб

Представлен алгоритм структурно-параметрического синтеза эластичных элементов в составе фаланг роботизированных кистей, обеспечивающий решение задач адаптивного захвата. Использование упругих элементов в исполнительных органах роботизированных захватных устройств позволяет снизить требования к точному позиционированию пальцев при захвате объектов в неструктурированном окружении. Алгоритм структурно-параметрического синтеза позволяет проектировать эластичные фаланги, которые повышают эффективность захвата объектов с различными физическими свойствами, механически адаптируясь к ним. Для определения топологий фаланг, предназначенных для различных классов объектов, предложена процедура автоматизации построения вариантов эластичных фаланг и оценки их эластостатических характеристик. Конструкция задается дискретной моделью жестких звеньев и упругих элементов, что обеспечивает единое представление разных топологий. Путем  направленного поиска решений генерируется множество конфигураций с различным числом упругих элементов и их расположением; для каждой топологии выполняются аналитический расчет жесткостей, моделирование деформаций и регистрация силовых и деформационных метрик. Результаты сохраняются в базу данных для апостериорного анализа зависимости параметров конструкции от функциональных свойств и выбора оптимальных решений по заданным метрикам. Алгоритм опирается на вычислительно облегченную имитационную модель нелинейных деформаций эластичной фаланги. Это позволяет решать задачу оптимизации с ограничениями примерно на порядок быстрее, чем при использовании коммерческих сред инженерного проектирования, обеспечивая достоверность  моделирования, достаточность которой определена верификацией на конечно-элементных моделях. Реализована процедура вычислительного проектирования параметров фаланг в составе модуля пальца. Для  обеспечения  физической согласованности проведена валидация алгоритма в три этапа: (1)  верификация  аналитической модели замещения эластичного тела путем сравнения с результатами конечно-элементного моделирования; (2) определение начального значения модуля Юнга по стенду на трехточечный изгиб; (3) уточнение модуля Юнга через идентификацию имитационной модели эластичных фаланг по физическим экспериментам.

1. Sanneman L., Fourie C., Shah J. The State of Industrial Robotics: Emerging Technologies, Challenges, and Key Research Directions // Foundations and Trends® in Robotics. 2021. Vol. 8, N 3. P. 225–306. DOI: 10.1561/2300000065.

2. Qin M., Brawer J., Scassellati B. Robot tool use: a survey // Front. Robot. AI. 2022. Vol. 9. Art. no. 1009488. DOI: 10.3389/frobt.2022.1009488.

3. Vanteddu P. R., Nava G., Bergonti F., L’Erario G., Paolino A., Pucci D. From CAD to URDF: Co-Design of a JetPowered Humanoid Robot Including CAD Geometry // Proc. 2024 IEEE/RSJ Intern. Conf. on Intelligent Robots and Systems (IROS). Abu Dhabi, United Arab Emirates, 2024. P. 11325–11331. DOI: 10.1109/IROS58592.2024.10802023.

4. Zhao A. et al. Automatic Co-Design of Aerial Robots Using a Graph Grammar // Proc. 2022 IEEE/RSJ Intern. Conf. on Intelligent Robots and Systems (IROS). Kyoto, Japan, 2022. P. 11260–11267. DOI: 10.1109/IROS47612.2022.9982013.

5. Zhao W. et al. Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware [Электронный ресурс]: https://arxiv.org/abs/2012.00924. (дата обращения 13.08.2025)

6. LEAP Hand: Low-Cost, Efficient, and Anthropomorphic Hand for Robot Learning [Электронный ресурс]: https://doi.org/10.48550/arXiv.2309.06440. (дата обращения 09.06.2025)

7. Sung E. et al. SNU-Avatar Robot Hand: Dexterous Robot Hand with Prismatic Four-Bar Linkage for Versatile Daily Applications // Proc. 2023 IEEE-RAS 22nd Intern. Conf. on Humanoid Robots (Humanoids). 2023. P. 1–8. DOI: 10.1109/Humanoids57100.2023.10375222.

8. Borisov I. I. et al. Reconfigurable Underactuated Adaptive Gripper Designed by Morphological Computation // Proc. 2022 Intern. Conf. on Robotics and Automation (ICRA). 2022. P. 1130–1136. DOI: 10.1109/ICRA46639.2022.9811738.

9. Ossadnik D. et al. BSA – Bi-Stiffness Actuation for Optimally Exploiting Intrinsic Compliance and Inertial Coupling Effects in Elastic Joint Robots // Proc. 2022 IEEE/RSJ Intern. Conf. on Intelligent Robots and Systems (IROS). 2022. P. 3536–3543. DOI: 10.1109/IROS47612.2022.9981928.

10. Folkertsma G. A. Energy-based and biomimetic robotics: PhD Thesis. 2017.

11. Das S., Hannard F., Barthelat F. Mechanics and properties of fish fin rays in nonlinear regimes of large deformations // Acta Biomaterialia. 2023. Vol. 167. DOI: 10.1016/j.actbio.2023.06.029.

12. Bastien J., Birglen L. Variable Stiffness Soft Robotic Fingers Using Snap-Fit Kinematic Reconfiguration // IEEE Transactions on Robotics. 2023. Vol. 39, N 6. P. 4567–4580. DOI: 10.1109/TRO.2023.3303850.

13. Yoon D., Kim K. Fully Passive Robotic Finger for Human-Inspired Adaptive Grasping in Environmental Constraints // IEEE/ASME Trans. Mechatronics. 2022. Vol. 12, N 5. P. 3841–3852. DOI: 10.1109/TMECH.2022.3145490.

14. Yao J. et al. Design Optimization of Soft Robotic Fingers Biologically Inspired by the Fin-Ray Effect with Intrinsic Force Sensing // Mechanism and Machine Theory. 2024. Vol. 191. Art. no. 105472. DOI: 10.1016/j.mechmachtheory.2024.105472.

15. Adireksarn K. et al. Electro-Actuated Stacked Fin–Ray Gripper: An Innovative Approach to Adaptable and Versatile Robotic Handling // Proc. 2024 IEEE Intern. Conf. on Robotics and Biomimetics (ROBIO). Dec 10, 2024. P. 1688– 1693.

16. Jeong G.-C. et al. BaRiFlex: A Robotic Gripper with Versatility and Collision Robustness for Robot Learning // 2024 IEEE/RSJ IROS. 2024. P. 4106–4113.

17. Wang R. et al. Topology Optimization of a Cable-Driven Soft Robotic Gripper // Struct. Multidiscip. Optim. 2020. Vol. 62. P. 2749–2763.

18. Shan X. et al. A Variable Stiffness Design Method for Soft Robotic Fingers Based on Grasping Force Compensation and Linearization // Robotica. 2024. Vol. 42, N 6. P. 2061–2083. DOI: 10.1017/S026357472400081X.

19. Cong Q. et al. TacFR-Gripper: A Reconfigurable Fin-Ray-Based Gripper with Tactile Skin for In-Hand Manipulation // Actuators. 2024. Vol. 13. Art. no. 521. DOI: 10.3390/act13120521.

20. Manoonpong P. et al. Fin Ray Crossbeam Angles for Efficient Foot Design for Energy-Efficient Robot Locomotion // Adv. Intell. Syst. 2022. Vol. 4, N 1. Art. no. 2100133. DOI: 10.1002/aisy.202270001.

21. Antunes R. et al. Design of Fin Ray Effect Soft Robotic Gripper for Improved Mechanical Performance and Adaptability: Numerical Simulations and Experimental Validation // Proc. 2024 20th IEEE/ASME Intern. Conf. on Mechatronic and Embedded Systems and Applications (MESA). 2024. P. 1–6. DOI: 10.1109/MESA61532.2024.10704855.

22. Howell L. Compliant mechanisms. NJ: Wiley-Interscience, 2001. 480 p.

23. Freitas G. M. et al. Kinematic Control of Constrained Robotic Systems // Sba Controle & Automação Sociedade Brasileira de Automatica. 2011. Vol. 22(6). Р. 559–572. DOI: 10.1590/S0103-17592011000600002.

24. Spacar wiki [Электронный ресурс]: https://www.spacar.nl/wiki/doku.php. (дата обращения 05.10.2025)

25. Deng Z. and Li M. Learning optimal Fin–Ray finger design for soft grasping // Frontiers in Robotics and AI. 2021. Vol. 7. P. 590076.

26. MuJoCo: advanced physics simulation [Электронный ресурс]: https://mujoco.org/. (дата обращения 05.10.2025)