软体机器人因其固有的柔韧性、灵活性和高自由度，在医疗干预、康复和机器人操作等应用中引起了广泛关注。模块化软体机器人（MSR）作为一种新兴的机器人系统，具有高度可变形和可重构的结构，能够执行复杂任务。然而，由于其非线性动力学、建模复杂性和超冗余特性，为MSR设计控制器仍然面临挑战。现有方法通常要求在机器人形态变化时从头开始重新训练控制器。
为了解决这些挑战，本文提出了一种受到持续学习启发的控制框架，能够在保持先前知识的同时，逐步适应机器人形态的变化。具体而言，该框架使控制器能够在不遗忘已学知识的情况下，顺序学习新的MSR配置。此外，对于固定配置的MSR，该框架还可以以分布式方式使用，学习模块特定的动态特性，从而实现局部控制和提高精度。
通过在模拟中使用 tendon-driven 软体机器人进行的闭环轨迹跟踪实验，以及在真实的三模块气动软体机器人手臂上的验证，证明了所提方法的有效性。此外，我们通过一个达到实验展示了框架的自适应能力，在该实验中，控制器仅激活必要模块以到达虚拟目标位置，从而减少计算负担。
博主点评： 该研究为模块化软体机器人的控制提供了一种创新的持续学习框架，显著提升了对复杂动态的适应能力。通过有效整合先前学习的知识，这一方法为未来的软体机器人开发开辟了新的方向，尤其是在动态环境中的应用潜力令人期待。希望该框架能够在更广泛的机器人系统中得到推广和应用。