Exploiting novel sensors and actuators made of flexible and smart materials becomes a new trend in robotics research. The studies on the design, production, and control of the new type of robots motivate the research fields of soft robots and 4D printed robots. 3D Printing (3DP) is an additive manufacturing technology that is widely used in printing flexible materials to fabricate soft robots. 4D Printing (4DP) combines 3DP technologies with smart materials to produce transformable devices. 4DP first prints structures with specifically designed responsive materials. When external stimuli such as temperature, voltage, or magnetic field are applied to the printed structure, it changes shape in a programmable way. The shape morphing property of 4DP makes it a novel approach to the actuators of robots.

The employment of these special materials empowers these new robots with better compliance and adaptability to the working environment. However, compared with the rigid counterparts, they also have complex dynamic properties such as substantial non-linearity and time-variance. These factors make the precise modeling and robust control of these new robots challenging and thus hinder their potential applications. Focusing on soft robotic systems enabled by 3DP and 4DP approaches, this dissertation studies both traditional and Machine Learning (ML)-based approaches to the modeling, perception, and control of soft, non-linear, and time-variant robotic systems. The main contributions of this dissertation are:

• The scheme of Closed-Loop (CL) controlled 4DP (CL4DP) using temperature stimulated Shape Memory Polymer (SMP) is designed and validated numerically and experimentally. The feedback control system increases the precision and robustness of the shape morphing process of 4D printed SMP. Applications of CL4DP are explored.
• Data-driven model identification methods are applied to learn the dynamic model of the shape morphing process of CL4DP and the learned model has good quality to support model-based control design. Model-free and adaptive Reinforcement Learning (RL) controllers are developed to deal with the non-linearity and time variance of 4D printed actuators. To improve the stability and quick adaptability, a concise basis function set is selected instead of blindly using Deep Neural Networks (DNNs).
• A quadruped robot enabled by soft actuators and its simulation model are developed. The computation efficiency and model accuracy of the simulator are studied and optimized by comparing different simulation methods such as Finite Element Method (FEM) and lumped parameter method.
• The optimal walking gait pattern of a soft-legged quadruped robot is found by grid parameter search and RL with a physics based simulation model. To speed up the RL training process, modeling tricks are used to reduce the simulation time of the model and curriculum learning is used to reduce the learning time.
• A soft sensor made by printable conductive materials and 3DP is designed and optimally calibrated to estimate the shape of a pneumatically driven soft actuator. The geometry of the soft sensor is optimally designed for the best linearity, hysteresis and drift properties. The online estimation is based on a linear regression model learned from experimental data.
• A pneumatically driven soft gripper is developed by 3DP, the printable soft sensor, and pole-placement control methods. The operation of the gripper does not require an external image feedback system to measure its shape, which is estimated by the integrated soft sensor. The position feedback by the soft sensor and the controller by the pole-placement method enable the soft gripper to perform complex tasks with high precision.

Användande av nya sensorer och aktuatorer av flexibla och smarta material har blivit en ny trend inom robotikforskning. Studier om design, produktion och styrning av den nya typen av robotar motiverar förskningen om mjuka robotar och 4D-printade robotar. 3D Printing (3DP) är en additiv tillverkningsteknik som används i stor utsträckning vid utskrift av flexibla material för att tillverka mjuka robotar. 4D Printing (4DP) kombinerar 3DP-teknik med smarta material för att producera transformerbara enheter. 4DP skriver först ut strukturer med specifikt designade responsiva material. När yttre stimuli som temperatur, spänning eller magnetfält appliceras på den utskrivna strukturen ändrar den form på ett programmerbart sätt. Omformningsegenskapen hos 4DP skapar ett nytt sätt att aktuera robotar.

Användningen av dessa specialmaterial ger dessa nya robotar bättre följsamhet och anpassningsförmåga till sin arbetsmiljö. Men jämfört med de stela motsvarigheterna har de också komplexa dynamiska egenskaper såsom betydande icke-linjäritet och tidsvarians. Dessa faktorer gör den nogranna modelleringen och robusta kontrollen av dessa nya robotar utmanande och hindrar därmed deras potentiella tillämpningar. Med fokus på mjuka robotsystem som möjliggörs av 3DP- och 4DP-metoder, studerar denna avhandling både traditionella och Machine Learning (ML)-baserade metoder för modellering, perception och kontroll av mjuka, icke-linjära och tidsvarierande robotsystem. De viktigaste bidragen från denna avhandling är:

• En metod för Closed-Loop (CL) reglerad 4DP (CL4DP) med temperaturstimulerad Shape Memory Polymer (SMP) har utvecklats och validerats både numeriskt och experimentellt. Reglersystemet ökar precisionen och robustheten i omformningsegenskapen för 4D-utskrivet SMP. Tillämpningar av CL4DP utforskas.
• Metoder för datadriven modellidentifiering tillämpas för att lära sig den dynamiska modellen av omformningsprocessen för CL4DP och den inlärda modellen är lämplig modellbaserad reglering. Modellfria och adaptiva Reinforcement Learning-regulatorer (RL) har utvecklats för att hantera icke-linjäriteten och tidsvariationen hos 4D-utskrivna aktuatorer. För att förbättra stabiliteten och snabb anpassningsförmåga väljs en mindre uppsättning basfunktioner istället för att blint använda Deep Neural Networks (DNN).
• En fyrbent robot med mjuka aktuatorer och dess simuleringsmodell utvecklas. Beräknings effektiviteten och modell noggrannheten hos simulatorn studeras och optimeras genom att jämföra olika simuleringsmetoder såsom Finite Element Method (FEM) och lumped parameter method.
• Det optimala gångmönstret för en mjukbent fyrbensrobot hittas genom rutnäts-sökning och RL med en fysikbaserad simuleringsmodell. För att effektivisera RL-tränings-processen används modelleringsknep för att minska simuleringstiden för modellen och curriculum learning används för att minska inlärningstiden.
• En mjuk sensor gjord av utskrivbara elektriskt ledande material och 3DP är designad och optimalt kalibrerad för att uppskatta formen på ett pneumatiskt driven mjuk aktuator. Den mjuka sensorns geometri är optimalt utformad för bästa linjäritet, hysteres och driftegenskaper. Online-uppskattningen är baserad på en linjär regressionsmodell som lärts från experimentella data.
• En pneumatiskt driven mjukgripare är utvecklad av 3DP, den utskrivbara mjuka sensorn och polplacerings reglering. Griparens funktion kräver inte ett externt bildåterkopplingssystem för att mäta dess form, vilket istället uppskattas av den integrerade mjuka sensorn. Positionsåterkopplingen från den mjuka sensorn och regulatorn genom polplaceringmetoden gör att den mjuka griparen kan utföra komplexa uppgifter med hög precision.