Cable-driven Continuum Robotics: Proprioception via Proximal-integrated Force Sensing

本文提出了一种受手指肌腱 - 关节协同感知机制启发的新型近端集成力传感方法，通过结合仿生映射与多模态优化策略，有效解决了微型缆驱连续体机器人在三维接触力感知与形状估计方面的难题。

要点

这篇文章介绍了一种让微型“软体机器人”拥有**“触觉”和“本体感觉”**的新方法。

想象一下，如果你蒙上眼睛，只用一根手指去摸一个放在桌子上的苹果。你不仅能感觉到苹果有多硬（力），还能感觉到手指碰到了苹果的哪个位置（接触点），甚至能感觉到手指弯曲的角度（形状）。

现在的微型手术机器人（比如用于微创手术的“软体蛇”）就像那个蒙着眼睛的人，它们很灵活，能钻进人体狭窄的血管或器官里，但它们通常“感觉”不到自己碰到了什么，或者碰到了哪里。这就好比医生在盲操作，非常危险。

这篇论文就是为了解决这个问题，发明了一种**“只靠根部感知全身”**的聪明办法。

1. 核心灵感：像人类手指一样思考

人类的手指之所以灵活且有感觉，是因为我们有两个系统：

• 肌腱（Tendons）： 像拉绳一样控制肌肉收缩。
• 关节（Joints）： 关节里有传感器，能感觉到关节受力了多少。

这篇论文的机器人模仿了这种**“肌腱 - 关节”协作机制**：

• 机器人的“肌腱”： 是几根细细的钢丝（缆绳），拉动它们机器人就会弯曲。
• 机器人的“关节”： 在机器人的根部（靠近操作台的一端）装了一个超级灵敏的六维力传感器（就像人手关节里的感觉神经）。
• 关键点： 他们没有在机器人细细的“身体”上安装任何传感器（因为身体太细了，塞不下传感器，而且容易坏）。

比喻： 就像你虽然看不见自己的手，但只要你拉紧手腕上的绳子，手腕处的传感器就能告诉你：“哦，我的指尖现在碰到了什么，用了多大的力气。”

2. 它是如何工作的？（三步走）

第一步：像“称重”一样感知力

当机器人碰到物体时，根部的传感器会感觉到一股反作用力。同时，拉动机器人的钢丝（缆绳）上的张力也会发生变化。

• 比喻： 想象你在拉一根弹簧秤。如果你用手推弹簧秤的顶端，你不仅会感觉到弹簧被压缩了（根部受力），拉绳子的感觉也会变重（缆绳张力变化）。通过对比这两个数据，机器人就能算出：“哦，我碰到了东西，力大概是 1 克重。”

第二步：像“解方程”一样找位置

知道了力的大小，怎么知道碰在哪里呢？

• 比喻： 想象一根软软的橡皮筋。如果你捏住橡皮筋的中间，它弯曲的形状和捏住尖端时是完全不同的。
• 机器人利用复杂的数学模型（就像大脑里的计算器），根据**“现在的弯曲形状”和“刚才算出的力”**，反推回去：“既然我弯成了这个形状，又承受了这么大的力，那肯定是在距离根部 X 毫米的地方碰到了障碍物。”

第三步：像“反复掂量”一样消除误差

这是最精彩的部分。

• 问题： 机器人在移动时，内部的钢丝和管道会有摩擦，就像新鞋磨脚一样，这种摩擦力会让计算变得不准。
• 解决方案： 作者模仿人类**“反复掂量重物”的动作。当机器人碰到物体后，它会来回微小地动一下**（就像你拿不定一个东西有多重时，会上下掂两下）。
• 效果： 这个动作把内部混乱的摩擦力“理顺”了，让传感器读数瞬间变准。实验证明，这能把定位误差从 1.6 毫米缩小到 0.2 毫米（几乎是一根头发丝的宽度）。

3. 为什么这很厉害？（三大优势）

1. 极简主义（不用塞满传感器）：
   以前的方法需要在机器人身体上贴满传感器，就像给蛇身上贴满创可贴，既难做又容易坏。这个方法只在根部装一个传感器，机器人身体可以做得非常细（甚至只有 3.5 毫米粗），非常适合进入人体。

2. 既快又准（实时感知）：
   它不需要慢吞吞地计算，能在 100 毫秒内算出结果。这意味着医生在手术时，能实时感觉到机器人碰到了血管壁还是肿瘤，避免弄伤病人。

3. 适应性强（不管怎么动都准）：
   不管机器人是静止的，还是正在加速、减速，甚至是在摩擦很大的环境里，这个方法都能通过“来回动一下”的机制，把误差修正过来。

4. 总结与未来

简单来说，这篇论文让微型机器人拥有了**“盲眼摸物”**的超能力。

• 以前： 机器人是“瞎子”，只能按指令动，不知道碰到了什么。
• 现在： 机器人通过根部的“神经”和内部的“肌肉记忆”，能精准地感知**“碰到了哪里”、“用了多大力”以及“自己弯成了什么形状”**。

未来的应用：
想象一下，未来的微创手术中，医生可以通过手柄感觉到机器人指尖传来的细微触感（比如缝合血管时的阻力），或者机器人能自动报警：“医生，我碰到骨头了，请小心！”这将大大减少手术风险，让手术更安全、更智能。

技术摘要

以下是基于该论文《Cable-driven Continuum Robotics: Proprioception via Proximal-integrated Force Sensing》（缆索驱动连续体机器人：基于近端集成力感知的本体感知）的详细技术总结：

1. 研究背景与问题 (Problem)

核心挑战： 微型连续体机器人（Micro-scale continuum robots）在微创手术等受限空间应用中面临巨大的三维接触力感知和接触点定位难题。
现有局限：

• 传感器集成困难： 传统的基于传感器的方法（如光纤光栅、应变片）需要占用宝贵的内部空间，难以在直径小于 4mm 的微型机器人上同时实现形状和力的感知。
• 模型不确定性： 纯模型驱动的方法（基于缆索位移或张力）通常假设接触点位置或方向已知，或者在未知接触环境下无法解决欠定系统问题，导致感知精度低。
• 摩擦与非线性： 机械摩擦、材料非线性以及运动状态（加速/减速）对力感知造成显著干扰。

2. 方法论 (Methodology)

本文提出了一种基于近端集成力感知的本体感知框架，受人类手指“肌腱 - 关节”协同感知机制的启发。该方法无需在机器人本体上安装传感器，仅利用近端（基座）的六维力/力矩传感器 (F/T) 和缆索张力传感器，结合非线性物理模型来实现感知。

2.1 仿生感知原理

• 近端力/力矩传感器：模拟关节本体感受器，监测机器人整体的受力状态。
• 缆索张力传感器：模拟肌腱器官，监测局部缆索的张力变化。
• 主动/被动接触分类：模仿人类反复抓握物体以估算重量的行为，将接触分为“主动”和“被动”模式，并通过往复运动来消除内部摩擦的不确定性。

2.2 数学建模与求解

感知过程被构建为一个优化问题，主要包含以下步骤：

1. 力解耦 (Force Decoupling)： 利用近端 F/T 传感器测得的总力 ($F_M$) 减去缆索输入力 ($F_{in}$)，直接计算接触力 ($F_C$)。
   $$F_C(t) = F_M(t) - F_{in}^{Ca}(t)$$
2. 力学平衡与摩擦建模： 基于欧拉 - 伯努利梁模型 (Bernoulli-Euler beam model) 和绞盘摩擦模型 (Capstan friction model)，建立缆索张力、接触点位置与梁变形之间的耦合关系。
3. 形状与接触点估计：
   • 将接触点位置 ($s_c$) 设为唯一的优化变量。
   • 构建目标函数：最小化设定缆索长度与基于假设接触点计算出的理论缆索长度之间的残差 ($\Delta L$)。
   • 通过单变量优化算法求解接触点位置，进而反推机器人的三维形状和接触力方向。

3. 主要贡献 (Key Contributions)

1. 近端单点感知框架 (Bio-Inspired Sensing Framework)：
   • 实现了仅需近端传感器（F/T + 张力）的感知方案，解决了微型机器人内部空间受限的问题。
   • 实现了亚毫米级的形状感知、亚克级（<1g）的三维力估计精度以及毫米级的接触点定位。
2. 基于对偶性的力 - 位协同估计 (Duality-Based Optimized Perception)：
   • 利用缆索张力与基座力之间的对偶关系，将复杂的非线性耦合问题转化为单变量优化问题。
   • 直接计算接触力的大小和方向，无需预先假设接触位置。
3. 摩擦不确定性抑制策略 (Friction-Uncertainty Mitigation)：
   • 提出“主动/被动”接触分类及**往复运动（Reciprocating motion）**策略。
   • 通过受控的往复运动重新分布缆索摩擦，显著降低了因摩擦变化导致的感知误差（接触点定位误差从 1.67mm 降低至 0.21mm）。

4. 实验结果 (Results)

实验在直径 3.5mm 的缺口连续体机器人（NCR）上进行，并验证了其在不同直径（1.7mm, 6mm）机器人上的通用性。

• 形状估计精度：
  • 在力约束下，平均尖端位置误差为 0.41 mm，最大误差 0.83 mm。
  • 在位移约束下，平均尖端位置误差为 0.29 mm。
• 力感知精度：
  • 动态接触力： 加载过程中的平均误差为 0.47 g，全程平均误差为 0.93 g。
  • 三维力感知： 在 X, Y, Z 轴上的平均误差分别为 0.96g, 0.60g, 0.88g。
  • 通用性： 在 1.7mm 微型机器人上，平均力误差低至 0.49g。
• 接触点定位精度：
  • 主动接触平均误差：0.63 mm。
  • 被动接触平均误差：0.43 mm。
  • 经过往复运动补偿后，平均误差降至 0.21 mm。
• 计算效率：
  • 在 MATLAB 中实现了实时感知，计算频率超过 50 Hz（形状估计可达 792 Hz，力估计约 55-58 Hz）。
• 鲁棒性验证：
  • 在不同接触位置、不同力大小（0-60g）及不同运动速度（0.1-1.0 mm/s）下，力感知均保持高精度（误差 < 1.5g）。
  • 在多点接触情况下，系统能准确估计合力，但接触点会收敛为一个等效单点（受限于单点接触假设）。

5. 意义与影响 (Significance)

• 突破尺寸限制： 该方法彻底摆脱了对机器人本体内部传感器的依赖，使得在亚毫米级（<1mm）的超细手术器械上实现高精度力反馈成为可能。
• 临床应用潜力： 为神经外科、耳鼻喉科及腹腔镜手术等复杂环境下的微创机器人提供了安全、智能的本体感知能力，有助于防止组织损伤。
• 技术优势： 相比纯模型法（计算复杂、假设多）和纯传感器法（集成难、空间占用大），该混合方法在计算效率、系统集成度和感知精度之间取得了最佳平衡。
• 未来方向： 论文指出未来将致力于将该方法应用于缝合手术机器人，并通过力反馈遥操作设备为外科医生提供触觉反馈。

总结： 该论文提出了一种创新的本体感知方案，通过巧妙的仿生设计和优化算法，成功解决了微型连续体机器人在未知接触环境下的三维力与形状感知难题，为下一代智能微创手术机器人的发展奠定了坚实基础。