软体机器人由硅胶、水凝胶等超弹性材料制成，具备无限自由度、连续变形和高度柔顺的特性。这种物理本质使其动力学行为呈现出极强的非线性、迟滞性和时变性，导致传统的刚体机器人建模理论（如基于连杆关节的牛顿-欧拉法）在此完全失效。建立与求解软体机器人的非线性动力学模型，需要跨越连续介质力学、数值计算与数据驱动方法的鸿沟，构建一套从物理机理到数值实现的完整框架。

🧱 核心建模理论：从连续介质力学出发

软体机器人的建模本质上是求解一个连续介质的动力学方程。为了在计算效率与物理保真度之间取得平衡，目前主流的建模理论主要分为两大类：

基于偏微分方程（PDE）的精确模型

Cosserat杆理论是目前描述细长型软体机器人（如内窥镜、象鼻机器人）最精确的理论框架。与传统的欧拉-伯努利梁理论不同，Cosserat理论将机器人视为一系列刚性截面的连续集合，每个截面不仅拥有平移自由度，还拥有独立的旋转自由度。这种描述方式能够精确捕捉杆件在三维空间中的弯曲、拉伸、剪切和扭转四种变形模式的耦合效应。

基于能量原理的降阶模型

为了解决PDE求解的复杂性，常采用基于能量原理的近似建模方法，如常曲率模型或Rayleigh-Ritz法。

• 常曲率模型（PCC）： 假设软体机器人在运动过程中，每一段的曲率保持恒定。这种方法将无限维系统简化为有限个广义坐标，计算速度极快，非常适合实时控制。但在大负载或高速运动导致出现剪切变形时，PCC模型的误差会显著增加。
• 拉格朗日法与假设模态法： 通过预设一组满足边界条件的形函数（模态）来近似描述机器人的变形形状，利用拉格朗日方程推导动力学方程。这种方法在计算效率和精度之间取得了较好的平衡，且数学形式优美，便于进行稳定性分析。

🛠️ 模型求解与数值离散化策略

建立好动力学方程后，求解过程通常涉及将连续系统转化为计算机可处理的离散系统。

空间离散化

对于基于Cosserat理论的PDE模型，常用的求解方法是打靶法或有限元法（FEM）。打靶法将边值问题转化为初值问题，通过迭代调整初始条件来满足边界约束；而有限元法（如使用SoFa框架）则将软体机器人网格化为成千上万个四面体或六面体单元，通过求解质量-阻尼-刚度矩阵方程来获得节点位移。虽然FEM精度最高，但计算量巨大，通常仅用于离线仿真。

最优控制与轨迹规划求解

在涉及路径规划时，前沿的求解策略是将Cosserat杆的PDE约束嵌入到双变量Bernstein多项式控制点中。利用Bernstein曲面的凸包性质，将无限维的最优控制问题转化为有限维的非线性规划问题。同时，为了避免欧拉角带来的万向节死锁，通常采用单位四元数来参数化旋转场。最终，通过序列二次规划或内点法进行数值求解，得到满足应变约束和避障要求的最优时空轨迹。

🧪 关键挑战与数据驱动的修正

在实际建模中，必须考虑材料的不确定性和环境交互。软体材料具有显著的粘弹性（迟滞效应），单纯依靠理论模型很难精准预测。因此，现代建模往往结合数据驱动方法，利用神经网络来补偿理论模型与实际物理系统之间的残差，或者通过系统辨识实时修正模型的刚度与阻尼参数，从而实现高保真的动力学描述。