在醫療科技飛速發展的當下，介入治療憑借創傷小、恢復快的優勢，逐漸成為眾多疾病治療的首選方案。然而，傳統手術機器人多為“關節式”剛性結構，在人體內迂回狹窄的天然腔道中難以施展拳腳。與之不同的是，連續體機器人宛如章魚觸手，沒有明顯關節，由柔性材料構成，可實現平滑連續彎曲，具備極高的靈活性與形狀適應性，能自然貼合復雜解剖結構，直達深部目標。但這種靈活性也帶來新挑戰：在不可視管腔內行進時，機器人易與血管壁、支氣管壁等組織接觸，若無法感知接觸而“硬闖”，輕則操作不精準，重則可能刺穿管壁，引發嚴重并發癥。因此，為連續體機器人賦予“觸覺”，使其能實時量化與環境相互作用力并調整自身形狀，成為實現安全、精準介入手術的關鍵。

現有力傳感技術路徑，如基于模型、電子傳感器的方法，常面臨體積大、剛性高的問題，難以微型化并集成到柔性機器人全身，實現全身范圍接觸感知成為亟待解決的難題。面對這一挑戰，上海交通大學醫療機器人研究院的高安柱教授研究團隊另辟蹊徑，提出多路復用光纖的連續體機器人綜合性解決方案。

該技術的硬件核心是巧妙的光纖復用設計。研究人員將特殊的單芯光纖（SCF）作為驅動連續體機器人彎曲的“纜繩”，這些光纖內部刻寫有多個FBG傳感器。當電機拉動光纖驅動機器人彎曲時，光纖自身形變會引發FBG傳感器反射波長變化，且這一變化與光纖所受張力成正比。如此一來，同一根光纖既充當傳遞力量的“肌肉”，又扮演感知張力的“神經”。同時，機器人內部還嵌入一根多芯光纖（MCF），用于精確感知機器人身體的實時彎曲形狀（曲率）。通過解調這些分布式“神經”信號，系統能同步獲取驅動張力分布和機器人三維形狀兩大關鍵信息。

有了驅動和形狀信息，如何反推出外部接觸位置和大小？研究團隊將其視為“逆問題”求解。首先，他們建立連續體機器人的物理模型，清晰描述外部接觸力、內部驅動張力與最終機器人形狀三者之間的力學關系，如同為機器人賦予“運動力學常識”，幫助理解何種受力情況會產生何種變形。然而，實際環境中摩擦、材料非線性等因素，使純粹依靠物理模型進行實時、精準反推計算困難重重。于是，研究人員引入神經網絡，設計多層感知器（MLP）模型，其輸入為光纖的驅動張力數據和機器人形狀數據，輸出是預測的接觸位置和三維接觸力。通過大量數據訓練，該網絡能學習從機器人狀態到接觸狀態的復雜、非線性映射關系，為機器人裝備“觸覺大腦”，可瞬間做出判斷。

訓練高性能神經網絡需要海量且多樣化數據，但對物理機器人施加成千上萬次不同力進行數據采集，不僅效率低，還可能損壞機器人。為此，團隊運用生成對抗網絡（GAN）這一數據增強技術。他們先依據物理模型生成100萬組模擬數據，再結合少量真實實驗數據訓練GAN，使其生成的模擬數據不斷逼近真實情況。通過這種方式，AI模型訓練數據從“少量真實數據”擴展為“真實數據 + 大量高質量模擬數據”，有效緩解數據短缺問題，大幅降低對真實機器人的損耗。

為驗證該方法的普適性和準確性，研究人員開展一系列實驗，從“二維平面”到“三維空間”，再到模擬醫療場景逐步推進。在二維平面實驗中，研究團隊用“平面連續體機器人”（只能在一個平面內彎曲）進行測試，在機器人不同位置掛不同質量砝碼模擬接觸力，讓AI預測接觸位置和力。實驗結果顯示，接觸位置平均誤差僅0.8毫米，接觸力誤差僅7.1毫牛（約相當于0.7克物體的重力，比一張A4紙還輕）。團隊還展示有趣應用場景——讓兩臺機器人協同“抓取氣球”，AI能實時計算兩者對氣球的抓取力，既不捏破氣球，也不讓其脫落。

隨后在“空間連續體機器人”（可在三維空間中任意彎曲，更貼近真實體內運動情況）上展開實驗。盡管接觸情況更復雜，但在GAN生成模擬數據輔助下，AI表現優異。接觸位置平均誤差為1.7毫米，接觸力平均誤差為8.7毫牛，這一精度已能滿足醫療操作基本需求。無論機器人向左彎還是向前扭，AI都能準確算出掛在其中部的3克砝碼（約29.4毫牛的力）的位置和力大小，誤差始終在可控范圍內。

最后，研究團隊模擬兩個關鍵醫療場景驗證技術實用性。一是“避障運動”：在微創手術中，機器人通常設有“遠程運動中心”，如腹壁切口處。實驗中，當機器人觸碰障礙物，AI檢測到接觸力超過安全閾值，即控制其反向轉動避開障礙，確保RCM點安全。二是“氣道介入”：團隊用3D打印的人體氣道模型模擬機器人進入肺部過程。當機器人接觸氣道壁，AI能實時在屏幕上顯示接觸位置與力度。如在氣道彎曲處，機器人外側與管壁接觸，系統準確顯示接觸力為12毫牛，醫生可據此調整機器人姿態，避免損傷氣道黏膜。