11月18日，北京交通大学郭盛教授团队在《Nature Communications》上发表了最新的研究成果“Sensing expectation enables simultaneous proprioception and contact detection in an intelligent soft continuum robot”。该研究受人脑中的高层感知模型启发，提出了基于期望-实际匹配的感知-运动框架并在集成传感的软体机器人中实现，该系统展现了快速且稳定的外界交互感知及软体形变源区分，实现了软体臂在动静态构型下的多模态感知。
机电学院博士毕业生汪培义、新加坡国立大学博士后谢哲新为该文的共同第一作者。北京交通大学郭盛教授、新加坡国立大学Cecilia Laschi教授为该项目的通讯作者。北京交通大学为第一单位、通讯单位。新加坡国立大学为本研究的合作单位。
软体机器人中的预期-实际匹配的感知-动作框架
在大脑机制中，人脑中的高级感知模型将外部来源产生的传入感官信号和与自身行动相对应的期望感知信号结合起来，感知并引导人体运动。受益于该感知-运动机理，软体连续体机器人面对交互密集型任务时可稳定感知自身状态以及与外界的碰撞信息。
然而，在软体机器人中实现这种高层次的感知-动作框架仍需解决如下两个挑战：首先是软体机器人如何稳定准确地区分外界交互和内部驱动产生的材料形变，其次是软体机器人系统的多模态感知。
研究贡献
2024 SUMMARY
01
提出基于“期望-实际”匹配的“感知-运动”通用模型
建立了双模块杆驱动软连续机器人（RDSR）的本体感知模型，介绍了集成传感 RDSR 中感知-运动回路的详细实现。测试了多段式柔性传感器（PSS）在以下三种情况下的性能表现：（1）仅施加外部刺激而不驱动，(2) 仅驱动而不施加刺激，以及 (3) 驱动后施加刺激。结果表明其能准确反映内外刺激造成的局部应变。此外，通过实验方法测试本体感知的准确性并确定接触阈值，以此达到本体自感知与外界交互的同步感知。
软机器人中的预期-实际比较感知-动作循环
02
本体自感知、交互检测及形变源区分
实验展示本体感知和外界交互检测的快速性及鲁棒性，实验进行不同位置和不同材料的动静态接触。结果表明，无论外部和内部动作是单独还是同时进行，通过实时感知并匹配“预期-实际”形状（平均误差为 1.4%），机器人系统在感知-驱动环路中快速（0.4 秒内检测到）、准确地检测到接触并区分变形源。
末端接触
身体接触
不同硬度材料的接触与区分
03
不可视环境中的交互力和形状检测
软体机器人系统展示了在静态和动态构型中对动静态交互力方向及大小的感知。实验表明，所提出的方法能准确感知接触方向及力大小，方向误差约为 10°。
静态构型下的快速动态交互
动态驱动构型下的动态交互
对不可视环境中的地形和交互力进行感知与分析，该实验中视觉传感系统不能发挥作用。软体臂伸入墨水中，通过交互力的感知与估计，从而检测区域周围的环境结构。实验中设置了四种不同形状的交互对象（凸面、波浪、平面和粗糙）。结果表明，力矢量与障碍物轮廓是一致的，且能较好的估计交互力大小。
不可视环境的物体形状和交互力感知与分析
应用示例
2024 SUMMARY
01
主动交互下的环境自主探索
不断检测与环境的交互信息可以实现软体机器人在探索和运动过程中的智能行为。本研究提出的高级感知-运动环路获得了基于本体感觉的精确闭环运动，并且可基于环境交互信息调整驱动执行策略。
软体臂通过主动与环境碰撞交互学习，实时更新目标并寻找正确路径，实现在环境中的自主探索和导航。
复杂迷宫的探索过程
探索学习后的正确路径
02
被动交互下的自主学习与适应
软体臂通过与操作员的被动交互开展自主学习与重复的任务，以人体模型中的示教和重复为例。软体臂安装在水平放置的人体模型上方，操作员引导其移动到所需位置并在该点施加交互力，在手动教导结束后，软体臂可按照交互顺序来重复记录的位置和力。交互点位置和力曲线与示教期间记录的几乎相同。值得注意的是，最大交互推力约 8 N，在软机器人中较难实现。
手动教导
软体臂重复位置点和交互力
这项工作利用人脑中内外部感知系统与环境进行动态交互的机理，突破了软体连续体机器人对自身及环境感知与交互关键技术，为感知密集型环境交互任务中 (Perception-Intensive environmental interaction tasks) 的智能行为提供了新的前景与研究思路。
该项目得到了国家自然科学基金项目，北京市自然科学基金项目，新加坡自然科学基金项目，新加坡-MIT联合基金项目等的支持。
该文第一作者汪培义2024年1月获北京交通大学工学博士学位，师从机电学院郭盛教授，博士在读期间，获国家公派留学奖学金，在新加坡国立大学交流学习两年；依托博士课题相关成果，荣获“北京市优秀毕业生”，“北京交通大学优秀毕业生”以及“北京交通大学优秀博士学位论文”。博士毕业后，加入新加坡国立大学软体机器人实验室，继续开展博士后研究。(PI: Cecilia Laschi. Lab: https://www.softroboticslab.info/)
论文链接：
https://www.nature.com/articles/s41467-024-54327-6
