- 解决**肌腱驱动连续体机器人(tendon-driven continuum robot)** 动力学建模的挑战，因其具有**非线性(nonlinear)**、**高维(high-dimensional)** 和**摩擦主导(friction-dominated)** 的动态特性
- 现有方法难以平衡模型精度与实时控制需求，需要探索有效的数据驱动系统辨识方法
- 研究背景：CERN开发的具有滚动关节的连续体机器人关节数量多，但可能存在运动学依赖关系，简化建模可能性
- 系统比较了三种数据驱动系统辨识方法：**N4SID** （子空间辨识）、**ARX** （自回归外生模型）、**SINDYc** （带约束的稀疏辨识非线性动力学）
- 通过实验分析发现，尽管机器人关节数量多，但利用关节间的**强运动学依赖性(strong kinematic dependencies)**，仅需建立**两自由度动态模型(2-DOF dynamic model)** 即可准确捕捉系统动力学
- 使用实验数据验证模型，并基于模型设计**模型预测控制器(model predictive controller, MPC)** 实现实时控制
- **低维建模发现**：首次揭示高关节数肌腱驱动连续体机器人可用**两自由度(two-degree-of-freedom)** 动态模型准确描述，突破了传统高维建模的直觉
- **方法比较框架**：系统对比了**N4SID**、**ARX**、**SINDYc** 三种数据驱动方法在连续体机器人建模中的适用性，提供了选择依据
- **实时控制可行性**：将数据驱动模型成功用于**模型预测控制(MPC)**，验证了其在实时控制中的实用性
- 为肌腱驱动连续体机器人提供了**数据驱动系统辨识(data-driven system identification)** 的系统性比较指南
- 证明了利用运动学耦合可大幅降低模型维度，为复杂机器人的**简化动态建模(simplified dynamic modeling)** 开辟新思路
- 在CERN实际机器人上验证了模型和MPC控制器的有效性，推动了**实时控制(real-time control)** 在软体机器人领域的应用