在当今的医疗科技领域，介入治疗因其创伤小、恢复快的特点，正逐渐成为许多疾病的首选治疗方案。但传统的手术机器人多为“关节式”的刚性结构，它们在开阔空间内表现出色，但难以进入人体内许多迂回狭窄的天然腔道。连续体机器人则不同，它像章鱼的触手一般没有明显的关节，整个身体由柔性的材料构成，可以实现平滑的连续弯曲。这种“无骨”的设计赋予了它极高的灵活性和形状适应性，能够自然地贴合复杂解剖结构，直达深部目标。
然而，这种灵活性也带来了新的挑战。在不可视的管腔内行进时，机器人的本体不可避免地会与血管壁、支气管壁等组织发生接触。如果机器人无法感知这些接触，一味地“硬闯”，轻则导致操作不精准，重则可能刺穿管壁，引发严重并发症。因此，为连续体机器人赋予“触觉”，使其能实时量化与环境的相互作用力，并据此调整自身形状，是实现安全、精准介入手术的关键。
现有的力传感技术路径，例如基于模型、电子传感器的方法，一般会面临体积较大、刚性高，难以微型化并集成到柔性机器人的全身，因此实现全身范围的接触感知是亟待解决的难题。
▍创新的解决方案，多路复用光纤的连续体机器人
面对上述挑战，来自上海交通大学医疗机器人研究院的高安柱教授研究团队独辟蹊径，提出了一种多路复用光纤的连续体机器人的综合性解决方案。
一身二用的“智能纤维”
该技术的硬件核心是一种巧妙的光纤复用设计。研究人员将特殊的单芯光纤（SCF）作为驱动连续体机器人弯曲的“缆绳”。这些光纤并非普通的通信光纤，其内部刻写有多个FBG传感器。当电机拉动光纤使其驱动机器人弯曲时，光纤自身的形变会引FBG传感器反射波长的变化，这一变化与光纤所受的张力成正比。如此一来，同一根光纤既充当了传递力量的“肌肉”，又扮演了感知张力的“神经”。
实时全身接触估计方法概述
同时，在机器人内部还嵌入了一根多芯光纤（MCF），用于精确感知机器人身体的实时弯曲形状（曲率）。通过解调这些分布式的“神经”信号，系统能够同步获取驱动张力分布和机器人三维形状这两大关键信息。
从物理模型到“触觉”神经网络
拥有了驱动和形状信息，如何从中反推出外部接触的位置和大小呢？研究团队将其视为一个“逆问题”求解。
首先，他们建立了连续体机器人的物理模型，清晰地描述了外部接触力、内部驱动张力与最终机器人形状三者之间的力学关系。这个模型如同机器人的“运动力学常识”，帮助理解在何种受力情况下会产生何种变形。
基于模型信息的用于身体接触估计的神经网络
然而，实际环境中的摩擦、材料非线性等因素使得纯粹依靠物理模型进行实时、精准的反推计算非常困难。于是，研究人员引入了神经网络。他们设计了一个多层感知器（MLP）模型，它的输入是来自光纤的驱动张力数据和机器人形状数据，输出则是预测的接触位置和三维接触力。通过大量的数据训练，这个网络能够学习到从机器人状态到接触状态的复杂、非线性映射关系，相当于为机器人装备了一个能够瞬间做出判断的“触觉大脑”。
用对抗网络GAN克服数据荒
训练一个高性能的神经网络需要海量且多样化的数据。但对于物理机器人而言，施加成千上万次不同的力进行数据采集不仅效率低下，还可能损坏机器人。为此，团队巧妙地运用了生成对抗网络（GAN） 这一数据增强技术。
具体而言，团队首先依据物理模型生成100万组模拟数据，再结合少量真实实验数据对GAN进行训练，使其生成的模拟数据不断逼近真实情况。通过这种方式，AI模型的训练数据从“少量真实数据”扩展为“真实数据+大量高质量模拟数据”，不仅有效缓解了数据短缺问题，也大幅降低了对真实机器人的损耗。
▍卓越的性能展示：从实验室到潜在应用
为了验证该方法的普适性和准确性，研究人员进行了一系列实验，从“二维平面” 到 “三维空间”，再到模拟医疗场景，一步步验证。
二维平面内的精准感知
首先用“平面连续体机器人”（只能在一个平面内弯曲，比如上下弯，不能左右扭）做实验。研究团队们在机器人不同位置挂不同质量的砝码（模拟接触力），然后让AI 预测接触位置和力。
二维接触力估计验证
实验结果显示，接触位置的平均误差只有0.8 毫米，接触力的误差只有 7.1 毫牛（大概相当于 0.7 克物体的重力，比一张 A4 纸还轻）。团队还展示了有趣的应用场景——让两台机器人协同“抓取气球”：AI能实时计算出两者对气球的抓取力，既不会捏破气球，也不会让其脱落。
三维空间中的灵活应对
随后在“空间连续体机器人”上展开实验。该机器人可在三维空间中任意弯曲，更贴近真实体内的运动情况。尽管接触情况更为复杂，但在GAN生成模拟数据的辅助下，AI仍表现优异。
三维接触力估计验证
接触位置的平均误差为1.7毫米，接触力的平均误差为8.7毫牛。这一精度已能满足医疗操作的基本需求。即使机器人在三维空间里不断弯曲，AI 也能实时跟上：比如把 3 克砝码（约 29.4 毫牛的力）挂在机器人中部，不管机器人是向左弯还是向前扭，AI 都能准确算出砝码的位置和力的大小，误差始终在范围内。
模拟医疗场景：在“气道” 里安全避障
最后，研究团队们模拟了两个关键医疗场景，验证技术的实用性。
第一是“避障运动”：在微创手术中，机器人通常设有“远程运动中心”，如腹壁切口处。实验中，当机器人触碰到障碍物时，AI一旦检测到接触力超过安全阈值，即会控制其反向转动，避开障碍，确保RCM点安全。
用于潜在医疗应用的身体接触估计
第二是“气道介入”：团队使用3D打印的人体气道模型，模拟机器人进入肺部的过程。当机器人接触气道壁时，AI能实时在屏幕上显示接触位置与力度。例如在气道弯曲处，机器人外侧与管壁接触，系统准确显示接触力为12毫牛，医生可据此调整机器人姿态，避免损伤气道黏膜。
▍未来展望与挑战
这项研究成功地将驱动与传感功能集成于微型光纤，为毫米级连续体机器人在狭小空间内的安全、智能作业铺平了道路。它标志着我们向实现真正智能、柔顺的腔内手术机器人迈出了关键一步。
当然，技术仍在演进。目前，该系统主要专注于估计单个接触点。未来，同时估计多个接触点的位置和力将是下一个攻坚方向。可以想象，当机器人的整条“手臂”都能像我们的皮肤一样感知多点触摸时，其在复杂环境中的交互能力将实现质的飞跃。
