在医疗科技飞速发展的当下，介入治疗凭借创伤小、恢复快的优势，逐渐成为众多疾病治疗的首选方案。然而，传统手术机器人多为“关节式”刚性结构，在人体内迂回狭窄的天然腔道中难以施展拳脚。与之不同的是，连续体机器人宛如章鱼触手，没有明显关节，由柔性材料构成，可实现平滑连续弯曲，具备极高的灵活性与形状适应性，能自然贴合复杂解剖结构，直达深部目标。但这种灵活性也带来新挑战：在不可视管腔内行进时，机器人易与血管壁、支气管壁等组织接触，若无法感知接触而“硬闯”，轻则操作不精准，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相互作用力并调整自身形状，成为实现安全、精准介入手术的关键。
现有力传感技术路径，如基于模型、电子传感器的方法，常面临体积大、刚性高的问题，难以微型化并集成到柔性机器人全身，实现全身范围接触感知成为亟待解决的难题。面对这一挑战，上海交通大学医疗机器人研究院的高安柱教授研究团队另辟蹊径，提出多路复用光纤的连续体机器人综合性解决方案。
该技术的硬件核心是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”，这些光纤内部刻写有多个FBG传感器。当电机拉动光纤驱动机器人弯曲时，光纤自身形变会引发FBG传感器反射波长变化，且这一变化与光纤所受张力成正比。如此一来，同一根光纤既充当传递力量的“肌肉”，又扮演感知张力的“神经”。同时，机器人内部还嵌入一根多芯光纤（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“神经”信号，系统能同步获取驱动张力分布和机器人三维形状两大关键信息。
有了驱动和形状信息，如何反推出外部接触位置和大小？研究团队将其视为“逆问题”求解。首先，他们建立连续体机器人的物理模型，清晰描述外部接触力、内部驱动张力与最终机器人形状三者之间的力学关系，如同为机器人赋予“运动力学常识”，帮助理解何种受力情况会产生何种变形。然而，实际环境中摩擦、材料非线性等因素，使纯粹依靠物理模型进行实时、精准反推计算困难重重。于是，研究人员引入神经网络，设计多层感知器（MLP）模型，其输入为光纤的驱动张力数据和机器人形状数据，输出是预测的接触位置和三维接触力。通过大量数据训练，该网络能学习从机器人状态到接触状态的复杂、非线性映射关系，为机器人装备“触觉大脑”，可瞬间做出判断。
训练高性能神经网络需要海量且多样化数据，但对物理机器人施加成千上万次不同力进行数据采集，不仅效率低，还可能损坏机器人。为此，团队运用生成对抗网络（GAN）这一数据增强技术。他们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训练GAN，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”，有效缓解数据短缺问题，大幅降低对真实机器人的损耗。
为验证该方法的普适性和准确性，研究人员开展一系列实验，从“二维平面”到“三维空间”，再到模拟医疗场景逐步推进。在二维平面实验中，研究团队用“平面连续体机器人”（只能在一个平面内弯曲）进行测试，在机器人不同位置挂不同质量砝码模拟接触力，让AI预测接触位置和力。实验结果显示，接触位置平均误差仅0.8毫米，接触力误差仅7.1毫牛（约相当于0.7克物体的重力，比一张A4纸还轻）。团队还展示有趣应用场景——让两台机器人协同“抓取气球”，AI能实时计算两者对气球的抓取力，既不捏破气球，也不让其脱落。
随后在“空间连续体机器人”（可在三维空间中任意弯曲，更贴近真实体内运动情况）上展开实验。尽管接触情况更复杂，但在GAN生成模拟数据辅助下，AI表现优异。接触位置平均误差为1.7毫米，接触力平均误差为8.7毫牛，这一精度已能满足医疗操作基本需求。无论机器人向左弯还是向前扭，AI都能准确算出挂在其中部的3克砝码（约29.4毫牛的力）的位置和力大小，误差始终在可控范围内。
最后，研究团队模拟两个关键医疗场景验证技术实用性。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，当机器人触碰障碍物，AI检测到接触力超过安全阈值，即控制其反向转动避开障碍，确保RCM点安全。二是“气道介入”：团队用3D打印的人体气道模型模拟机器人进入肺部过程。当机器人接触气道壁，AI能实时在屏幕上显示接触位置与力度。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。
