精读笔记

Problem Setting

这篇论文处理的是柔性手术机器人中 tendon-sheath mechanism 的位置传输失真：近端拉了多少，不等于远端真正输出多少，而且这个误差随路径弯曲、负载、拉放方向和历史状态变化。真正难点不是建立一个迟滞模型，而是临床场景下路径是任意甚至时变的，同时远端又不能放传感器。换言之，系统需要补偿一个由远端输出定义的迟滞过程，但可观测量主要只有近端张力、近端位移和某种可集成的路径信息。

以前方法主要卡在两个地方：一类假设路径固定或可用常半径/分段常半径描述，因此逆模型一旦离开标定路径就失效；另一类用远端位移/张力反馈或自适应控制处理动态迟滞，但这基本违背柔性内窥手术器械的空间约束。本文的关键矛盾是：要有动态迟滞补偿能力，但不能使用最直接的远端反馈。作者的答案是把路径几何本身作为缺失状态的一部分来观测。

Motivation

已有路线不够的根本原因是把 TSM 迟滞当成 actuator-side 的固定非线性，而不是 route-conditioned 的传输非线性。只要 sheath 的空间走形变化，摩擦分布、张力衰减、transition 阈值都会变，预标定 backlash 参数和静态逆模型就没有物理理由继续成立。

作者的核心观察是：虽然远端输出不可测，但路径几何并非完全不可测；FBG 形状传感可以以较小体积嵌入传输系统，提供沿长度的曲率分布。于是缺口从“没有远端反馈无法补偿”转化为“能否用路径几何和近端张力恢复足够的传输状态”。这个方向的动机很明确：不是追求一个更强的黑箱迟滞拟合器，而是寻找一种符合手术器械约束的信息替代。

Core Idea

论文真正核心的思想是：把迟滞补偿重写成路径条件化的前馈估计问题。作者没有把 hysteresis profile 离线拟合成固定 inverse map，而是把 tendon elongation 建模为沿 TSM 长度积分的摩擦-弹性效应；路径曲率由 FBG 在线给出，近端张力和位移由 actuator 端传感得到，三者合起来估计当前 elongation，再把期望远端位移加上估计 elongation 作为近端输入命令。

这引入了一个很强的 inductive bias：TSM 的主要误差由沿路径分布的 Coulomb 摩擦张力衰减和 tendon 线弹性伸长决定。相比学习模型或静态补偿，它更可解释，也更容易外推到未见过的路径形状；相比远端闭环，它重新组织了信息流，用 route sensing 替代 distal sensing。其 generalization 不是来自数据覆盖，而来自把几何变量放回模型。

Method

方法上最关键的不是具体 FBG 硬件或控制器实现，而是三层机制。

第一层是任意路径可计算化。原先基于总弯曲角或常半径的模型无法处理复杂曲率分布，作者把 elongation 表达为沿长度 L 的积分，并用离散曲率节点做数值积分。这样路径从一个不可处理的连续空间曲线，变成 FBG 可提供的一组曲率样本。它解决的是 route representation 问题。

第二层是无远端输出的 elongation 估计。滑动阶段中，模型用近端张力、方向指数和曲率分布估计 sheath 内 tendon elongation；再补上近端和远端外露 tendon 的线弹性伸长。外露 tendon 项看似细节，但在手术系统中很重要，因为实际器械不可能把 sheath 外 tendon 缩到可忽略。它解决的是误差闭合问题：让估计的 elongation 更接近实际系统而不是理想 TSM。

第三层是动态相位识别。transition/sliding phase 的切换不能从输入位移直接知道，因为远端可能还没动。作者利用 Coulomb 张力衰减关系推导近端张力阈值，并让阈值随实时总弯曲角变化。这样 backlash 参数不再是离线常数，而是 route-conditioned 的在线事件判断。它解决的是 hysteresis state tracking 问题。

最终补偿器就是将当前阶段对应的 elongation 估计加到期望远端位移上，形成近端命令。这是前馈补偿，不是自适应闭环；它的能力上限由模型误差和相位识别误差决定。

Key Insight / Why It Works

最重要的 insight 是：在这个问题里，缺失的不是更复杂的迟滞函数，而是导致迟滞变化的条件变量。路径几何是 TSM 迟滞的主要 latent structure。只要把这个 latent structure 变成在线观测量，许多看似动态的 hysteresis variation 就可以重新变成可计算的准静态摩擦-弹性问题。

方法有效的核心贡献大概率是 FBG route sensing 与 route-conditioned Coulomb/elastic model 的结合，而不是控制器本身。控制器只是把估计 elongation 加到期望输出上；真正带来增益的是补偿模型不再用固定路径假设。尤其从与常半径假设的对比看，性能提升主要来自更正确的路径 representation，而不是数值积分或控制框架的复杂性。

外部 tendon elongation 的建模是有价值的工程修正。它在较大负载和较长外露 tendon 下会显著影响误差，但本质上属于把真实系统误差项补齐，不是理论突破。多芯 FBG 的使用也有一定 engineering 成分：它是一个合适且小型化的传感实现，但核心思想可迁移到任何能在线恢复路径曲率的传感方式。

transition phase 是这篇方法最脆弱也最诚实的部分。作者没有声称完全消除换向迟滞，而是用张力阈值尽量缩短输出延迟。这里的增益来自更准确地识别何时进入 sliding phase，但 tribology 本身造成的 delay 无法被纯前馈模型完全去掉。若任务包含频繁小幅反向运动，剩余误差会被放大。

这不是 scaling，不是 data-driven memorization，也不是 benchmark retrieval；它更像是 better inductive bias + online latent state sensing。论文的强处在于将不可观测远端状态的一部分解释为可观测路径状态，弱处在于仍假设摩擦模型足够主导、速度效应可忽略。

Relation To Prior Work

它最接近两条路线：一是基于 Coulomb/Capstan friction 的 TSM 位置传输建模，二是使用传感反馈做动态迟滞补偿。与第一类相比，本文的本质差异是放弃常半径或固定 route 参数，把路径几何变成在线输入；与第二类相比，差异是不用 distal feedback，而用 proximal sensing + route sensing 构造前馈补偿。

看似新的部分里，Coulomb friction、Hooke elasticity、inverse feedforward compensation 都不是新思想；FBG shape sensing 在柔性机器人里也不是新技术。实质创新在于把这些已有元素组织成一个满足手术约束的信息闭环：FBG 不用来估计 end-effector tip，而是用来动态更新 TSM transmission model；近端张力不用来闭环控制远端，而是用来判定迟滞相位。

这篇属于 model-based compensation 的谱系，不是 learning-based control。它的贡献不是通过数据学习一个 universal hysteresis inverse，而是把 route geometry 作为显式条件变量纳入物理模型。这使它比纯学习模型更可解释，也可能在未见路径上更稳；但它也继承了物理模型对摩擦参数、弹性线性和接触假设的依赖。

Dataset / Evaluation

评估整体比较扎实，因为不是只做离线曲线拟合，而是在真机平台上验证了三层 claim：任意静态路径下 elongation 估计、时变路径下单 TSM 轨迹补偿、系统级手术末端路径跟随。实验还覆盖不同负载和路径变化速率，至少证明方法不是只对单一标定路径有效。

但这些实验仍是 controlled lab evaluation。路径变化由线性台和摆动装置生成，虽然复杂但可控；远端负载主要由弹簧或 end-effector backbone 提供，没有真实组织接触、液体环境、温度变化、器械扭转和长时间操作导致的漂移。应用实验中为了验证系统级 tip path following，仍使用视觉 marker 作为 end-effector 闭环反馈，这和“无 distal perception”在 TSM 补偿层面并不矛盾，但容易被误读为整个系统不需要远端信息。

实验确实支持论文最核心的 claim：动态路径感知能显著改善无远端 TSM 补偿。但它还没有完全证明临床 deployment 下的鲁棒性，特别是 FBG 与 TSM 平行假设、摩擦参数稳定性、多 cable 耦合和复杂接触扰动。

Limitation

最关键的隐含前提是 FBG fiber 与各 TSM 沿长度方向始终近似平行，因此 FBG 测得的曲率就是 tendon-sheath 的曲率。这个假设在封装良好、弯曲为主的实验平台中合理，但在真实内窥环境中，局部压迫、扭转、sheath 间相对滑移、tube 横截面变形都可能破坏它。文中对此只给出结构设计和小间距缓解，未充分说明极端情况下的误差传播。

第二个上限来自摩擦模型。Coulomb 模型提供了低计算量和可解释性，但忽略速度、加速度、Stribeck、微滑移和预滑移位移。作者也承认 transition phase 和变速运动下误差更大。因此在高频、小幅、频繁换向任务中，性能上限可能由模型类别决定，而不是传感精度决定。

第三，方法把 distal sensing 的难题部分转移到了 route sensing 和参数稳定性上。μ、ρ、pretension、external tendon length 等参数需要可靠标定；湿润环境、磨损、温度和消毒后的材料变化会影响它们。若参数漂移，纯前馈补偿没有机制自我修正。

第四，多 TSM 集成时作者基本按每根 tendon 独立补偿处理，共享同一 FBG 曲率。真实系统中多根 tendon 同时受力可能改变 sheath 接触、局部法向力和结构形态，耦合摩擦是否可忽略文中未充分说明。

第五，系统级亚毫米结果依赖一个额外的 end-effector 闭环控制器和视觉 tip feedback。论文的 TSM 补偿层确实无远端感知，但手术末端精确控制并非完全无远端反馈。若实际工具占据 tip、无法放 marker 或视觉受遮挡，系统级精度能否保持仍是开放问题。

Takeaway

• 1. 对 TSM 迟滞来说，路径几何是最值得显式建模的 latent variable；把它在线观测出来，比离线拟合更复杂 hysteresis curve 更有迁移价值。
• 2. 无远端反馈不等于只能做盲开环。
• 若能找到与远端状态强相关、但可在近端或结构内部观测的中间变量，就可以构造实用的前馈补偿。
• 3. 这篇真正推动的是“route-aware transmission control”而不是某个新控制器。

一句话总结

这篇论文把 TSM 动态迟滞补偿从固定逆模型推进到“路径感知的物理前馈补偿”，实质贡献是在无远端 TSM 反馈约束下用 FBG 曲率观测补上迟滞变化的关键条件变量。