智能软体连续型机器人：一种基于感知预期的仿生感知-行动框架

作者、机构与发表信息 本项研究由来自北京交通大学机械、电子与控制工程学院的王培毅、杨新华为代表的中国团队，与来自新加坡国立大学机械工程系及先进机器人中心的谢哲鑫、辛文慈、唐志强、Muralidharan Mohanakrishnan、Cecilia Laschi 为代表的新加坡团队共同合作完成。研究成果以题为“Sensing expectation enables simultaneous proprioception and contact detection in an intelligent soft continuum robot”的论文形式，于2024年发表于国际知名期刊 *Nature Communications*（卷15，文章号9978）。

学术背景 本研究属于软体机器人（Soft Robotics）领域，具体聚焦于软体连续型机器人（Soft Continuum Robot）的高层级感知与智能交互控制。软体机器人因其固有的柔顺性和适应性，在非结构化环境交互、医疗手术、人机协作等领域具有巨大潜力。然而，其高度的可变形特性也带来了显著的感知挑战：机器人难以区分自身形变是源于内部驱动还是外部接触，这限制了其在复杂、动态环境中实现自主、智能的行为。

人类大脑具备一种高效的高层级感知模型，它结合了源于外部刺激的传入感觉信号和对应自身动作的传出信号，通过比较“预期”感觉和“实际”感觉来快速指导运动控制并检测意外刺激。受此启发，本研究旨在将这种“预期-实际”比较的感知-行动循环引入软体机器人领域。研究的主要目标是开发一种方法，使软体机器人能够同时、快速且鲁棒地实现本体感知（感知自身形状）和接触检测（感知外部交互），并能够区分形变来源，最终应用于需要密集环境交互的智能任务中。

详细研究流程与方法 本研究围绕一个集成了液态金属（Eutectic Gallium-Indium, eGaIn）分段式软传感器（Piecewise Soft Sensor, PSS）的双模块杆驱动软体连续型机器人（Rod-Driven Soft Robot, RDSR）展开。核心方法是通过比较基于内部模型预测的“预期形状”（Expected Shape, ES）和基于传感器反馈估计的“实际形状”（Actual Shape, AS）来实现感知。

1. 机器人系统设计与制造：研究团队设计并制造了一个双模块RDSR。其驱动部分由三根柔性镍钛合金杆组成，通过改变杆的长度来控制机器人弯曲。感知部分则是在机器人表面集成了eGaIn基的PSS。PSS由三段组成，每段靠近一根驱动杆，用于实时测量其对应区域的表面应变。机器人和传感器分别采用硅胶模铸技术独立制造，然后通过粘合集成。这种混合传感方案结合了精确已知的杆长反馈和反映局部变形的软传感器信号。

2. 感知模型构建与实现：

   • 预期形状（ES）生成：在每一个控制循环中，根据当前发送给驱动电机的控制指令（即各驱动杆的目标长度），利用基于分段常曲率（Piecewise Constant Curvature, PCC）假设的内部运动学模型，计算出机器人若无外部干扰时应有的形状，即ES。
   • 实际形状（AS）估计：这是本研究的核心创新点。执行控制指令后，系统读取真实的驱动杆长度和PSS各段的应变数据。通过一个“等效长度”模型，将全局的杆长信息与局部的传感器应变信息融合。具体公式为：等效长度 = (杆长 * (1 + 传感器应变)) / Σ(1 + 传感器应变)。这个等效长度反映了驱动杆在机器人每个虚拟分段内的实际有效长度，它综合了驱动和外部接触共同导致的变形。然后，使用与ES相同的PCC运动学模型，但输入是计算出的等效长度，从而估计出机器人的AS。
   • 接触检测与信息提取：计算ES和AS末端位置之间的差值，定义为接触指数ε（ε = P_ES - P_AS）。通过实验确定一个阈值ε0（本研究设定为5毫米）。在每个感知循环中，如果ε的范数或任一轴向分量的绝对值超过ε0，则判定存在外部接触。ε的大小和方向（例如在XY平面的角度θ = arctan(εy/εx)）分别指示了接触的强度和方向。此外，研究还发现，当外力直接作用于传感器导致其电阻变化超过初始值的10%时，也可直接判定为接触。

3. 性能验证实验：

   • 本体感知精度测试：在单模块RDSR上，随机生成了500种不同的构型，并在末端施加从0到700克力（gf）的不同负载。通过对比AS估计的末端位置与高精度RGB-D相机捕捉的真实位置，评估感知精度。结果表明，AS的平均估计误差仅为总长度的1.4%-2.0%，且不随负载增加而显著变化，而仅基于内部模型（无传感器反馈）的ES误差则随负载增大而显著上升，证明了AS估计的准确性和鲁棒性。
   • 同步本体感知与接触检测实验：
     • 不同位置接触：测试了机器人运动过程中末端接触、非传感器部位的身体接触以及传感器直接接触三种情况。实验显示，系统能实时感知自身形状（AS），并在接触发生时（ε超过阈值）迅速检测到，同时区分形变来源。对于传感器直接接触，还通过监测电阻突变（>10%）进行了补充检测。
     • 不同材料接触：让机器人末端与不同刚度（从55 kPa的软硅胶到刚性PLA）的障碍物接触。结果表明，无论材料软硬，系统均能在接触发生后0.4秒内、接触力低于44克力时检测到接触，且刚度越高，检测越快。
   • 接触方向与力感知实验：
     • 静态构型：在机器人初始静止状态下，从不同方向（0°至315°，间隔45°）施加接触力。通过计算ε的方向，与六维力传感器测量的真实方向对比，平均角度误差在10°以内。通过拟合ε的分量与接触力分量的关系，建立了从接触指数估计接触力的线性模型。
     • 动态构型：在机器人执行预定弯曲运动时施加持续接触，使其轨迹偏离。系统能实时感知AS，并通过比较AS与ES的路径偏差，准确推断出接触力的方向和相对大小，方向误差同样低于10°。
     • 无视觉环境下的形状感知：将机器人浸入墨水中（模拟无视觉环境），让其探索四种不同形状（凸面、波浪、平面、粗糙）的障碍物。通过对比AS（反映实际轮廓）和ES（反映预期无接触边界），系统成功重建了障碍物的表面轮廓，并估算了接触力矢量场。
   • 应用场景演示：
     • 迷宫自主探索与导航：将机器人末端插入迷宫通道。机器人设定一个基本运动方向和步长，通过持续监测接触指数ε来感知与墙壁的碰撞。一旦检测到接触（ε超阈值），控制器便根据接触信息（方向）重新规划下一个目标点，调整运动方向（如顺时针或逆时针转向），从而自主探索并找到走出迷宫的路径。研究在简单单通道迷宫、复杂环形迷宫和标准迷宫中均成功演示了该能力。
     • 示教与复现任务：在按摩任务场景中，操作者手动引导机器人末端到达人体模型上的10个预设标记点，并通过两个附加的软传感器（Re, Rs）调节并记录每个点所需的按压力。在此“示教”过程中，系统记录下达到每个目标位姿和力所需的驱动指令序列。在“复现”阶段，机器人自动执行记录的指令序列，成功复现了示教的轨迹和按压力，位置最大误差小于6毫米，力最大误差小于0.6牛。

主要研究结果 1. 高精度本体感知：提出的混合感知模型（结合杆长与应变传感器）实现了高精度的三维形状实时估计，平均误差仅为总长的1.4%，且对外部负载不敏感。 2. 快速鲁棒的接触检测与区分：通过比较ES和AS，系统能在0.4秒内检测到外部接触，并能明确区分形变是由内部驱动还是外部接触引起，或是两者同时作用的结果。接触方向感知精度高（误差<10°）。 3. 无视觉环境感知能力：在完全无视觉信息的条件下，机器人能够通过与环境（如迷宫墙壁、未知形状物体）的物理交互，感知环境轮廓并构建力交互信息，实现了类似“无视觉SLAM（同步定位与地图构建）”的功能。 4. 智能交互行为验证：成功将上述感知能力应用于两个高级任务：一是基于接触反馈的迷宫自主导航，展示了机器人在未知结构化环境中的探索与路径规划能力；二是基于物理交互的人机协作示教与复现，实现了对特定位置和力序列的学习与重复执行。

这些结果层层递进：首先验证了基础感知模型的准确性；在此基础上，证明了其快速区分内外形变源的能力；进而展示了该能力在复杂动态感知（方向、力）和无视觉感知中的有效性；最终，通过两个集成性应用演示，证明了该方法能够赋能软体机器人完成需要高级感知-行动循环的智能任务。每一步结果都为下一步更复杂的能力验证或应用演示奠定了基础。

结论与意义 本研究提出并验证了一种受生物启发的“预期-实际”感知-行动框架，并将其成功应用于软体连续型机器人。该框架的核心价值在于，它使软体机器人具备了同时进行精确本体感知和外部接触检测的关键能力，并能清晰区分形变的内部与外部来源。这解决了软体机器人因本体高度可变性而导致的感知模糊性难题。

其科学价值在于，为软体机器人领域提供了一种通用且有效的高层级感知方法论。不同于传统控制框架专注于如何达到预定目标，该方法侧重于通过内部模型预测与多模态传感反馈的比较，来理解和解释机器人与环境的交互状态，这更接近于生物的感知原理。在应用价值上，该方法使软体机器人能够在非结构化、动态甚至无视觉的环境中实现智能探索、导航和与人安全、自然的物理交互，为软体机器人在医疗康复、精密操作、危险环境探测等领域的实际应用铺平了道路。

研究亮点 1. 仿生感知框架的创新性：首次将人类大脑中“预期-实际”比较的高层级感知模型系统性地引入并实现在软体机器人系统中，是仿生控制原理在软体机器人领域的一次重要实践。 2. 混合感知模型的优越性：提出的结合精确驱动反馈（杆长）和分布式变形感知（软传感器应变）的混合映射模型，有效克服了单一传感模式的局限，实现了高精度、抗干扰的实时形状估计。 3. 多任务集成演示的完备性：研究不仅停留在基础感知性能验证，更进一步展示了该感知能力如何支撑从简单的接触检测到复杂的无视觉环境探索、人机协作示教等高级智能行为，形成了一个从方法提出、验证到应用演示的完整闭环。 4. 解决核心挑战：直接针对并有效解决了软体机器人领域“区分自身运动与外部交互”这一长期存在的核心感知挑战。

其他有价值内容 论文还讨论了该方法的局限性与未来方向。例如，当外力直接作用于传感器且力度在特定小范围内时，可能导致位置反馈不准确。作者提出了两种潜在解决方案：利用机器学习解耦法向力与拉伸引起的应变效应，或开发模型来识别并排除受直接接触影响的传感器数据。此外，作者指出当前内部模型基于PCC假设，未来可探索力学模型或学习模型以在精度和计算效率间取得更好平衡。这些讨论为后续研究指明了方向。