- 解决**绳驱动连续体机器人(Tendon-Driven Continuum Robots, TDCRs) ** 因复杂非线性（如** 摩擦滞后(frictional hysteresis) ** 和** 传动柔顺性(transmission compliance) ** ）导致的建模与控制难题
- 现有基于** 雅可比矩阵(Jacobian) ** 的方法易引发** 自激振荡(self-excited oscillations)** ，跟踪精度和鲁棒性不足
- 研究背景：TDCRs广泛应用于微创手术、检测等领域，需要高精度且鲁棒的控制算法
- 提出一个**可微学习框架(differentiable learning framework) ** ，集成** 高保真动力学建模(high-fidelity dynamics modeling) ** 与** 鲁棒神经控制(robust neural control) **
- 开发基于** 门控循环单元(GRU) ** 的动力学模型，具有** 双向多通道连接(bidirectional multi-channel connectivity) ** 和** 残差预测(residual prediction) ** ，抑制长时间** 自回归预测(auto-regressive prediction) ** 中的累积误差
- 将动力学模型作为** 梯度桥梁(gradient bridge) ** ，通过** 反向传播(backpropagation) ** 优化** 端到端神经控制策略(end-to-end neural control policy)** ，使其隐式内化对复杂非线性的补偿
- **首创性** ：首次将**可微学习框架** 应用于TDCRs，实现建模与控制的联合优化，避免分阶段误差累积
- **模型设计创新** ：GRU动力学模型采用**双向多通道连接** 和**残差预测** ，有效抑制长时间预测中的** 复合误差(compounding errors) **
- ** 控制策略创新**：通过** 梯度桥梁**让控制策略隐式学习非线性补偿，无需显式建模摩擦和柔顺性
- ** 性能突破**：在物理三节TDCR上消除** 自激振荡** ，优于传统** 雅可比方法(Jacobian-based methods)** ，对未知载荷展现出优越鲁棒性
- 为绳驱动连续体机器人领域提供了一种**新颖的可微学习范式** ，统一了动力学建模与鲁棒控制
- 在物理平台上实现了** 高精度跟踪**和** 强鲁棒性** ，消除了自激振荡问题，提升了实际部署的可靠性
- 开源框架和实验验证为后续研究提供了** 可复现基准** ，推动基于学习的控制方法在连续体机器人中的应用