IEEE Transactions on Robotics

Strain-Based Shape and 3-D Force Estimation for Rod-Driven Continuum Robots With Stretch Sensors

作者：Peiyi Wang, Daniel Feliu-Talegon, Yuchen Sun, Zhexin Xie, Wenci Xin, Muhammad Sunny Nazeer, Cosimo Della Santina, Cecilia Laschi, Federico Renda · 机构：Singapore MIT Alliance for Research and Technology (SMART) centre, Singapore; Department of Mechanical Engineering, National University of Singapore, Singapore; Cognitive Robotics Department, Delft University of Technology, Delft, The Netherlands; Department of Mechanical Engineering and Advanced Robotics Centre, National University of Singapore, Singapore; Department of Mechanical and Energy Engineering, Southern University of Science and Technology, Shenzhen, China; Khalifa University Center for Autonomous Robotics System (KUCARS), Abu Dhabi, UAE; Department of Mechanical and Nuclear Engineering, Khalifa University of Science and Technology, Abu Dhabi, UAE

会议/期刊：IEEE Transactions on Robotics · 发布日期：2026 · 页码：894-911

传感器软体机器人状态估计

精读笔记

Problem Setting

Strain-Based Shape and 3-D Force Estimation for Rod-Driven Continuum Robots With Stretch Sensors（IEEE Transactions on Robotics / 2026）。

这篇论文处理的不是一般意义上的软体机器人 proprioception，而是一个更尖锐的问题：在杆驱动连续体机器人中，用嵌入式拉伸传感器和驱动长度反馈，同时估计全形状与已知接触点处的 3-D 外力。关键矛盾是：软体机器人需要通过形变来感知外力，但恰恰因为它是细长、高各向异性的结构，某些方向的外力几乎不产生可测局部应变。

以前很多力估计方法能在垂直 backbone 的外力上工作，是因为弯曲变形足够显著；但沿 backbone 的切向力主要作用在高轴向刚度方向，在某些构型下传感器读数几乎不变。此时问题不是优化器不够好，而是观测矩阵病态甚至近似退化。论文真正要解决的是：如何在模型内同时估计力与形状，并且显式识别哪些力方向在当前构型下是不可观或低可观的。

Motivation

已有路线的不足在于，它们通常把困难藏在假设里：要么依赖外部 motion capture/EM tracking，要么只用 actuation feedback，要么把外力假设为正交于 backbone。这个假设在实验上方便，但在接触丰富环境里并不成立；尤其在狭窄通道、手术或人机交互场景中，切向接触并不是异常情况。

作者的核心观察是：切向力估计失败并非由于切向力天然不可估，而是由于当前构型下“力方向 → 局部应变”的映射灵敏度太低。换言之，可观测性是构型相关的。这个观察自然引出一个缺口：除了估计器本身，还需要一个构型级的诊断量，告诉系统当前传感器是否真的能看到某个方向的力，以及是否应该通过冗余构型改变来提升可观测性。

Core Idea

论文的核心思想是把连续体机器人的形状、驱动输入、局部拉伸传感器读数和外力放进同一个有限维应变模型里。GVS 参数化提供了一个统一 latent state：广义应变坐标 q。驱动长度和传感器长度都不是孤立测量，而是 q 的不同投影；外力通过静力平衡改变 q，再间接改变这些长度测量。这样，力估计从“传感器读数到力”的经验映射，变成“找一个满足静力平衡且解释长度测量的 q 与 F”。

更重要的是，论文引入了一个局部 sensitivity ellipsoid：通过线性化静力平衡和传感器长度方程，得到外力增量到传感器应变增量的映射。这个椭球不是普通 manipulability/compliance ellipsoid 的直接复用，而是把输出空间换成了传感器应变空间。它改变了问题的组织方式：不是先假设力可估再做优化，而是先分析该构型下哪个力方向会被传感器“看见”。本质区别在于它把三维力估计中的失败模式显式几何化。

Method

1. 有限维应变建模：用 GVS 将连续 backbone 的 strain field 表示为有限基函数加权。它解决的是无限维连续形变不可直接估计的问题。核心变化是把软体形状估计转成有限维 q 的估计，使驱动、传感器、外力都能共享同一状态变量。

2. 静力平衡约束：模型写成 Kq = B(q)u + Q_e(q)，其中内部弹性、杆驱动反力、重力和外部点力共同决定形状。它的必要性在于：仅用传感器长度拟合会有冗余解或物理不一致；静力方程给了估计问题物理约束。

3. 长度观测方程：驱动杆和拉伸传感器都被视作 threadlike elements，其长度变化由当前 q 和路径积分给出。这个处理的价值在于统一 actuator length 与 sensor length：二者都变成对 strain field 的测量，只是路径和积分区间不同。

4. 联合估计：优化变量包括 q、外力 F 和杆反力 u，目标是让模型预测的驱动/传感器长度匹配实测，同时满足静力平衡。这里真正估的是一个物理一致的解释，而不是直接回归力。

5. 灵敏度椭球：在线性化下得到 δy_s = B(q)^T K^{-1}J_2^T δF。它解决的是“估计是否可信”的问题。其核心变化是把传感器可观测性从经验误差转成构型相关的方向性指标，尤其可用于判断切向力是否应被估计、忽略或通过重构型增强。

Key Insight / Why It Works

这篇论文最重要的 insight 是：软体机器人力估计的难点不只是模型精度，而是方向性可观测性。对细长连续体而言，力方向不同，造成的局部 strain signature 差异巨大；如果某个方向的力投影到传感器长度空间几乎为零，再好的优化器也只能放大噪声。论文的 sensitivity ellipsoid 正是把这个病态性显式表示出来。

方法有效的主要原因有两个。第一，GVS 给了合适的 inductive bias：它不是把传感器读数当作黑箱特征，而是强制所有观测都通过 continuum strain field 解释，因此天然保持形状、驱动和外力之间的物理一致性。第二，椭球分析等价于对局部 Fisher/observability-like 结构的几何化：特征值大的方向意味着单位力能产生更大的传感器长度变化，噪声相对影响小；特征值小的方向则估计会变成病态反演。

最可能的核心贡献是 sensitivity ellipsoid 及其用于切向力估计/重构型选择的解释框架。联合优化形状与力本身并不新鲜，GVS 也不是本文原创；真正有价值的是作者把“为什么切向力有时估不准”从经验现象提升成可计算、可视化、可用于构型选择的机制。

辅助部分主要是具体 RDSR 原型、eGaIn 传感器标定和 MATLAB root-finding 实现。这些是必要工程，但不是概念贡献。性能提升很大程度来自更好的物理 inductive bias 和传感器—模型 alignment，而不是 scaling/data；不存在机器学习意义上的 data scaling。也正因为如此，方法上限受模型误差和传感器布置强约束。

Relation To Prior Work

这篇工作位于 Cosserat/GVS 物理建模、内禀力感知、软体机器人形状重建和 manipulability/compliance ellipsoid 分析的交叉处。最接近的是基于 Cosserat rod/GVS 的形状—力估计，以及基于传感器/驱动量的 intrinsic wrench sensing。

和 CC/PCC 几何模型相比，它的实质差异是引入静力学和局部 strain field，而不是只拟合曲率参数；这使得外力和重力等物理因素能进入同一个方程。和 FEM 相比，它牺牲全场高保真，换取可在线求解的低维物理模型。和 FBG/曲率传感方法相比，它不是只测 backbone 曲率，而是利用分段拉伸传感器读局部应变。

看似新的地方有一部分是已有思想重组：GVS、threadlike actuator length equation、静力平衡优化、椭球分析都各自有来源。实质创新在于把 compliance-style ellipsoid 的输出从位移换成传感器应变，并用它解释/处理 backbone 切向力不可观问题。这是一个比较干净的 conceptual contribution。

Dataset / Evaluation

评估覆盖了仿真灵敏度分析、真实 RDSR 上的形状估计、传感器应变预测、正交外力估计、切向力估计以及同一轨迹下高/低灵敏度构型对比。它不是大规模跨机器人 benchmark，但对本文 claim 来说比较有针对性：核心 claim 是构型相关灵敏度决定三维力估计质量，实验确实围绕这一点展开。

真实世界验证是加分项，尤其是切向力实验和同轨迹不同冗余构型的对比，比较直接地支持 sensitivity ellipsoid 的作用。垂直 backbone 外力估计结果证明模型基本可用；切向力实验则证明低灵敏度不是单纯调参问题，而是可由构型改变改善。

但 evaluation 的外推性有限。所有实验都在单一机器人架构、已知接触位置、单点静态载荷下进行。没有系统测试未知接触、多点接触、动态交互、摩擦接触和传感器长期漂移。因此它验证的是机制可行性，不是部署级鲁棒性。

Limitation

最大的前提是外力位置已知。这个假设显著降低了反问题难度：一旦接触点未知，J_k 本身也变成待估变量，力—位置—形状之间会产生更强耦合，传感器冗余是否足够文中未充分说明。

第二，方法强依赖物理模型标定。刚度矩阵、NiTi 杆等效弹性、传感器路径、传感器长度—电阻标定、重力项和边界条件都必须足够准。若模型误差与外力效应同量级，优化器可能用错误外力解释模型偏差。论文没有充分分解误差来源，因此增益来源中有多少来自精确 calibration、有多少来自椭球机制，仍不完全清楚。

第三，sensitivity ellipsoid 是局部线性化结果，并假设 δJ/δq 可忽略。对大变形、强非线性材料、接触诱发几何突变时，这个指标可能只给局部启发而非可靠可观测性保证。

第四，提升切向灵敏度往往需要改变构型，使力方向偏离最低灵敏度轴。但这会降低结构刚度或改变任务姿态裕度。论文承认这个 trade-off，但没有给出优化框架。因此它某种程度上把问题从“估不准力”转移成“如何选择既能完成任务又有足够 sensing sensitivity 的构型”。

第五，传感器数量、布置和分段设计在本文机器人上是固定的；不同机器人上是否仍有足够 rank 和条件数，需要重新分析。所谓可推广更多是模型形式可迁移，不等于性能可迁移。

Takeaway

  • 1. 对连续体机器人而言，三维力估计首先是可观测性问题，其次才是优化问题；尤其 backbone 切向力不能默认可估。
  • 2. 把传感器读数解释为 strain field 的投影，是比直接回归更强的 inductive bias；它能把形状估计、驱动反馈和力估计统一起来。
  • 3. Sensitivity ellipsoid 的可迁移价值很高：它可以用于构型选择、传感器布局设计、任务规划中的感知约束，以及判断某些接触力是否应被估计或忽略。
  • 4. 未来真正值得做的是把灵敏度指标纳入闭环控制/规划，在任务误差、刚度、可观测性之间做优化，而不是只在事后解释估计误差。

一句话总结

这篇论文把杆驱动连续体机器人的三维力估计从“拟合传感器读数”推进到“基于应变模型的可观测性诊断与构型调节”，其核心贡献是用传感器应变灵敏度椭球解释并改善切向力估计的病态性。