随着科学的发展与技术的进步,智能软材料得到了广泛的应用。基于智能软材料所设计的软体机器人也逐渐成为人们关注的焦点。它们的生物亲和性、环境适应性以及在复杂环境中展现出的柔韧性都是传统硬质机器人所不具备的。然而其复杂的非线性动力学特点给控制带来了极大的难度。介电高弹体作为一种典型的智能软材料,具有响应速度快、大变形和能量密度高等特点。本文重点研究了基于介电高弹体的软体机器人的设计与控制,主要内容包括:1、对单个软体机器人进行控制。首先以自然界乌贼为原型,基于介电高弹体设计制作了一款依靠喷水推进的机器乌贼,并通过力学分析优化了结构设计。为了提高单个机器乌贼的游动速度,我们利用强化学习进行了电压施加策略的优化。通过无模型的强化学习,该机器乌贼的电压施加序列逐渐由杂乱无章到有固定周期和驱动模式,并且该机器乌贼的游动速度由约0.20倍身长每秒提高到约0.38倍身长每秒,得到了 91%的提高。该工作为今后基于介电高弹体的软体机器人提供了无模型强化学习的控制思路,也可推广到基于其他智能软材料机器人的控制中。2、对多个软体机器人进行编队控制。首先以自然界蝠鲼为原型,基于介电高弹体设计制作了 一款由两鳍驱动的仿生机器蝠鲼鱼。然后通过仿真平台设计编队控制算法去模仿自然界集群的漩涡行为和迁徙行为,并验证了算法的可行性。最后基于全局视觉平台,通过实验实现了三条机器蝠鲼鱼的环形和三角形编队控制,为今后大规模软体机器鱼群进行深海探索做准备。3、研究了基于深度学习的机器视觉在软体机器人控制中的应用。利用Mask R-CNN深度学习框架,对机器蝠鲼鱼进行实例分割,能很好地给出覆盖机器蝠赖鱼的掩码,进而可以对其位置、姿态甚至变形进行追踪。经过训练的神经网络对机器蝠鲼鱼的识别置信度可以达到0.99以上。然后进一步将气动软抓手和传统机械臂结合,组成一套抓取系统,并利用深度学习对物体进行高精度的定位,最终通过实验实现了气动抓手对物体的自适应抓取。该视觉方法可为今后软体机器人的控制提供更有效的视觉识别和追踪。