High maneuverability and energy efficiency are crucial for underwater robots to perform tasks in engineering practice. Natural evolution empowers aquatic species with skills of agile and efficient swimming, which can be deliberately employed for better robotic swimmers. A critical issue for efficient robotic swimmers is the design and control of an appropriate propulsion system. This study, therefore, presents a completely different realization of a highly flexible and controllable bistable nonlinear mechanism as a "fishtail." The mechanism combines an elastic spine and a lightweight parallel linkage mechanism. Through active control of the endpoint of the elastic spine, the compliant tail can be empowered with exceptional controllability and tunable bistability for a much more efficient and also the first-ever accurately controlled bistable elastic propulsion system. Experimental results demonstrate that the new bistable fishtail can achieve a faster speed of its size (up to an average speed of 0.8 m·s

Multiple pneumatic artificial muscles (PAMs) connected through antagonistic joints are more in line with the motion characteristics of human muscles, which better imitate/replace humans to complete a series of actual tasks, such as transportation and assembly. However, there is still a lack of comprehensive solutions to handle hysteresis, creep, input delay, and other inherent characteristics of PAMs, as well as synchronous control and obstacle avoidance that are important to multiple muscles working together. To this end, this paper proposes a new neuroadaptive synchronization controller for 3-D antagonistic PAM-actuated robot hands, which also elaborately designs auxiliary terms to realize obstacle avoidance in Cartesian space and motion constraints in joint space together. Here, dynamic obstacles are regarded as external independent objects, whose nonlinear dynamics are introduced into the proposed controller to restrict end-effectors. Meanwhile, the constraint terms of joint angles and angle velocities are designed as time-varying proportional-differential gains, instead of common barrier functions that may induce overlarge inputs. Particularly, this paper proposes an accelerated gradient-based learning term to relax the linear parameterization condition of uncertain/unmodeled dynamics and obtain accurate weight estimates, based on which, it is proven that both tracking errors and synchronous errors rapidly converge to zero. In addition to complete theoretical analysis, some hardware experiments also verify the effectiveness and adaptability of the proposed controller.

Robot learning has attracted an ever-increasing attention by automating complex tasks, reducing errors, and increasing production speed and flexibility, which leads to significant advancements in manufacturing intelligence. However, its low training efficiency, limited real-time feedback, and challenges in adapting to untrained scenarios hinder its applications in smart manufacturing. Introducing a human role in the training loop, a practice known as human-in-the-loop (HITL) robot learning, can improve the performance of robots by leveraging human prior knowledge. Nonetheless, the exploration of HITL robot learning within the context of human-centric smart manufacturing remains in its infancy. This study provides a holistic literature review for understanding HITL robot learning within an industrial context from a human-centric perspective. A united structure is presented to encompass different aspects of human intelligence in HITL robot learning, highlighting perception, cognition, behavior, and notably, empathy. Then, the typical applications in manufacturing scenarios are analyzed to expand the research landscape for smart manufacturing. Finally, it introduces the empirical challenges and future directions for HITL robot learning in the next industrial revolution era.