精读笔记

Problem Setting

论文标题：Body Contact Estimation of Continuum Robots With Tension-Profile Sensing of Actuation Fibers（IEEE Transactions on Robotics / 2024）。

这篇论文处理的不是“连续体机器人形状重建”，也不是常见的“末端力估计”，而是在 cable-driven continuum robot 主动弯曲过程中估计沿体未知接触的数量、位置和三维力。任务难点在于 contact-induced bending 与 actuation-induced bending 在形状上高度耦合；如果只看曲率，外力和腱张力不可分；如果只看基端张力，腱/通道摩擦又让实际沿体张力不可知。

以前方法卡在两个地方：一类 shape-only 方法适合被动柔性器械，面对主动 cable actuation 时缺少内部驱动力观测；另一类 model-based force sensing 依赖已知 tendon tension，但通常只知道 proximal tension，沿体摩擦和 routing loss 被忽略或 ad hoc 建模。本文真正解决的是这个 observability gap：如何在毫米级机器人上获得足够的局部内部力信息，使 body contact 反问题变得可解。

Motivation

作者的动机不是再做一个更精细的 Cosserat/beam model，而是绕开 tendon friction modeling 这个长期脆弱点。连续体机器人中，摩擦不是小扰动；实验中也能看到张力从基端到末端明显衰减。基端张力作为模型输入本身就是错的，因此再复杂的外力优化都会被错误张力污染。

关键缺口是：主动驱动连续体机器人的 body force sensing 需要同时知道 shape 和 in-situ actuation load distribution。现有 FBG shape sensor 已经能给曲率，但缺少与 actuation force 对齐的分布式内部力观测。作者想到把 actuation fibers 本身变成 sensing fibers，本质上是把“隐藏状态估计问题”改成“直接测量局部状态后做残差解释”。这个方向合理，因为它用传感器配置改变问题条件，而不是指望模型补偿所有不可观测因素。

Core Idea

核心思想是：每个 segment 的曲率给出总弯矩，四根 actuation SCF 的局部张力给出内部驱动弯矩，二者差值就是外部接触导致的弯矩残差。沿机器人身体看，这个 residual profile 不是任意噪声，而具有由接触位置决定的分段结构：某个接触点只影响其近端 segment 的力矩平衡，因此 residual 的空间变化可用于定位接触点；再结合 shape-derived geometry，可通过优化反推出接触力。

与 prior 的本质区别在于，它不是从 proximal actuation command 推 body contact，而是直接感知 distributed actuation tension。这个改变非常关键：摩擦不再是需要显式建模的 nuisance，而是已经反映在每个 FBG 读出的 local tension 中。换句话说，本文将 tendon-driven continuum robot 的 force estimation 从“输入已知但传递未知”的问题，改造成“局部传递已观测但外力未知”的问题，反问题条件明显更好。

Method

方法层面可以压缩为一个 residual-based estimator。

1. 局部总弯矩估计：MCF 测得曲率，经过 Bishop frame 获得沿体姿态；结合校准得到的 segment-wise bending stiffness，用 EI·κ 计算每个 segment 的总弯矩。它解决的是“实际形变对应多少力矩”的问题。

2. 局部 actuation moment 估计：四根 SCF 带多 FBG，同时作为驱动纤维和张力传感器。通过每个 FBG 的波长变化换算局部张力，再由纤维在截面上的几何位置得到 y/z 两方向 actuation moment。它解决的是“内部驱动对该 segment 贡献多少弯矩”的问题，也是消除摩擦建模依赖的关键。

3. external moment residual：总弯矩减去 actuation moment，得到外力弯矩残差。若无接触，该残差应接近零；若有接触，残差随 segment 位置表现出结构化变化。

4. 接触数目与初值：对 residual moment profile 做相邻差分和二阶差分类检测突变片段，用于估计接触数量和粗位置。这一步本质上是利用 point force 在沿体 moment field 中造成的局部不连续/变化模式。

5. 力和位置优化：将接触点约束在重建的机器人中心线上，用 moment balance residual 构造非线性优化，解每个接触点的三维位置和三维力。这个优化不是核心创新本身，更多是把前面获得的可观测 residual 转成具体 force estimate。

Key Insight / Why It Works

这篇论文真正有效的原因不是优化器，也不是 Bishop frame，而是 distributed tension sensing 改变了可辨识性。传统 cable-driven continuum robot 的力估计误差很大一部分来自 tendon friction：基端拉力不等于远端/局部有效拉力。本文直接测 tension profile，相当于把最难建模的内部传递过程测量掉了，因此外力只需解释“曲率弯矩与实际局部驱动弯矩之间的差”。这是核心贡献。

第二个有效点是 moment residual 的空间结构。点接触对近端段产生力矩，对远端段不产生同样贡献；多个接触则形成叠加的分段 moment field。只要 shape sensing 足够密、EI 校准可信、接触点间距足够大，这个结构提供了定位信息。这里的 inductive bias 很强：不是纯数据拟合，而是把接触估计限制在 beam equilibrium 和机器人中心线几何上。

最可能只是辅助的部分包括：具体的 cubic spline 约束、MATLAB fmincon、差分阈值规则。这些更多是 engineering choices。真正可迁移的是“用分布式内部载荷观测做外部交互残差分解”的范式，而不是某个优化函数。

需要直接指出的是，多接触估计的准确性并不来自某种强泛化能力，而来自受控离散点力假设、足够分离的接触位置、以及较低维的准静态 beam model。接触过近、线接触/面接触或动态组织摩擦下，问题会迅速退化为病态反演。所谓 robust estimation 在本文中主要是相对单基端张力模型更 robust，而不是对真实临床复杂接触已充分 robust。

Relation To Prior Work

最接近的技术谱系有三条：FBG shape/force sensing、Cosserat/beam model-based external force estimation、tendon-driven continuum robot 的 tension-based force inference。

与 shape-only body contact sensing 相比，本文新增的信息是 local actuation tension profile。shape-only 方法在被动器械上可行，因为内部驱动载荷简单或不存在；在主动 cable-driven robot 上，shape residual 不足以唯一解释外力。本文补上了内部载荷观测。

与基端 tension + model-based force sensing 相比，本文的本质差异是放弃显式 friction transmission model。以前很多工作把 tendon friction 当作可忽略项或用 ad hoc 模型补偿；本文通过 SCF 上的多 FBG 直接读沿体张力，这个设计比模型补偿更干净。

与 tip force FBG sensor 相比，本文不是在末端加一个力传感结构，而是沿体估计 contact field。它的实质创新在传感-驱动一体化的 distributed tension sensing，而不是 beam equilibrium 本身。beam theory、FBG strain conversion、Bishop frame 都是已有工具的重组；但把 actuation fibers 做成 tension-profile sensors，并用它们与 shape sensor 形成 moment residual，是本文的真正新增信息。

Dataset / Evaluation

evaluation 覆盖了仿真、受控台架实验和 ex vivo 猪肺实验。仿真主要验证反问题在理想测量下可解，并展示多接触距离越近越难区分；这支持了理论机制，但并不能说明真实鲁棒性。台架实验是最有说服力的部分，因为它显示实际张力沿体明显衰减，从而证明 friction modeling 问题确实存在，也证明 distributed SCF 读数有价值。

多点加载实验验证了方法可以估计 1–4 个离散接触点，但随着接触数增加误差上升，这符合反问题维度增加和力矩等效性的预期。ex vivo 猪肺实验增强了场景相关性，但没有严格 ground truth，因此更多是 qualitative deployment demo，而不是定量验证核心 claim。

总体上，实验足以支持“该 sensing+modeling 机制在受控准静态离散点接触下可行”；不足以支持“复杂体内环境中的实时可靠 body contact sensing 已解决”。benchmark 没有覆盖动态、温漂、长时间漂移、连续接触、组织强摩擦、多段 robot 等关键 deployment 难点。

Limitation

核心限制来自模型前提和可辨识性，而不是简单的实现不足。论文假设准静态、无 twist、无伸缩、忽略自重、notched body 可用等效 EI 描述。这些假设在短小 NiTi robot 和受控加载下合理，但在长器械、多段机器人、复杂管腔约束和动态推进中可能被破坏。

多接触估计存在明确上限。多个力可以产生相近的 segment moment residual，尤其接触点距离小、方向耦合或接触呈线/面分布时，离散点力模型会变成任意等效分解。作者用 5 mm 阈值规避了最困难区域，这不是小问题，而是方法空间分辨率和可辨识性的硬边界。

校准依赖很重。segment-wise EI 的非均匀性被校准吸收，但如果材料 hysteresis、装配变化、温度、疲劳或粘接滑移导致 EI 或 FBG-tension mapping 漂移，残差会被误判为外力。文中未充分说明长期稳定性和在线重校准机制。

实时性也未解决。当前优化流程更像 offline estimator；若要临床闭环使用，需要显著加速或改写为递推估计/学习近似。但如果用学习模型替代优化，又会引入 data coverage 和 domain shift 问题，增益来源不清。

此外，SCF 同时承担驱动和传感，带来机械可靠性风险：大弯曲下剪切、磨损、断裂、FBG 应变耦合都可能影响读数。论文提到大 deflection 下有潜在 broken risk，并限制在约 100°，这说明 scaling 到更大工作空间并非自然成立。

Takeaway

• 1. 最值得记住的是 sensing architecture，而不是优化公式：把 actuation fibers 变成 distributed tension sensors，可以直接观测 tendon friction 后的局部有效驱动力，这是连续体机器人 contact sensing 的关键可观测性增强。
• 2. 这篇论文推动的是“shape sensing + internal load sensing → external interaction residual”的范式。
• 这个 insight 可迁移到软体机器人、腱驱动柔性器械、蛇形机器人等系统：不要只做更复杂模型，优先让隐藏内部载荷变成可测状态。
• 3. 多接触估计的瓶颈不是算法技巧，而是物理可辨识性和传感空间分辨率。

一句话总结

这篇论文在 cable-driven continuum robot force sensing 中的贡献，是用“分布式张力感知的驱动纤维”替代不可可靠建模的腱摩擦传递，从而把 body contact estimation 改写为局部曲率-张力力矩残差反演问题。