连续体机器人在复杂环境下的形态感知一直是个难题。传统外部传感器易受干扰且依赖理想假设。一项新研究通过在机器人内部嵌入微型相机，结合神经网络，实现了高精度的实时形态重建，为软体机器人的精准控制开辟了新路径。
智能速览
传统外部传感器在感知连续体机器人形态时存在遮挡和精度局限。
通过在机器人内部嵌入相机，直接观测结构形变产生的视觉特征。
利用神经网络将形态感知建模为连续函数，实现任意位置的姿态预测。
实验证明，形态重建误差达到亚毫米级，且支持实时在线推理。
这项技术为机器人赋予了类似生物的本体感觉，是形态感知的新范式。
精华内容
如何让像‘手臂’一样柔软的机器人，精准感知自己的弯曲姿态？内部视觉与连续建模的结合，提供了一种颠覆性的答案。
传统感知瓶颈
现有的连续体机器人形态感知方法面临多重挑战。外部相机视野易被环境或机器人自身遮挡，难以持续追踪。IMU或磁传感器等内部方法只能提供离散点的信息，无法还原完整的连续形态。而基于几何模型的方案，往往依赖常曲率等理想假设，当机器人发生复杂弯曲或承受外力时，模型的预测精度会大幅下降，无法满足实际应用中对稳定性和可靠性的高要求。
内部视觉破局
研究团队另辟蹊径，将一台微型相机植入连续体机器人中空的内部结构。机器人弯曲时，其内部管道会发生独特的形变，这些变化被相机捕捉为丰富的视觉纹理。这一方法不再依赖外部视角，从根本上避免了遮挡问题。同时，它直接获取结构内部的连续形变信息，为高精度感知提供了前所未有的数据源，使形态感知如同机器人拥有了‘内省’的能力。
连续神经网络
获取视觉信息后，如何将其转化为精确的形态模型是关键。该研究采用了一种基于位置的连续编码神经网络。它将机器人的形态定义为一个连续函数，网络可以预测从基座到末端任意位置的姿态（位置和方向）。这种方式摆脱了传统离散传感器数据之间的插值操作，也无需依赖几何模型的强假设，能够平滑、精准地重建出任意复杂的曲线形态。
亚毫米级精度
实验结果充分验证了该方法的优越性。在形态重建任务中，整体的平均误差达到了亚毫米级别，表现出极高的精度。与传统的基于离散传感器的插值方法相比，该方案在单点位置的姿态估计上更为精准。更重要的是，整个形态重建过程支持实时推理，其速度足以用于在线的机器人运动控制与反馈，即使在外部载荷或变曲率条件下，依然能保持稳定可靠的性能。
这项技术不仅仅是加装了一个新传感器，更是赋予了连续体机器人一种‘本体感觉’，让其能够像生物一样感知自身。这为软体机器人的闭环控制、自主作业和人机交互开辟了全新的可能性。未来，这种具备高度感知能力的机器人将在医疗、探险等领域扮演怎样的角色？
