[論文レビュー] A Learning-Based Approach for Contact Detection, Localization, and Force Estimation of Continuum Manipulators With Integrated OFDR Optical Fiber

Mobina Tavangarifard, Jonathan S. Kacines+2 more|arXiv (Cornell University)|Mar 12, 2026

Soft Robotics and Applications被引用数 0

ひとこと要約

この論文は、単一の配布型 OFDR ファイバを用いて、接触の同時検出、連続体マニピュレータに沿った接触の局在化、明示的な逆モデリングを伴わずに接触力を推定するカスケード学習フレームワークを提案します。

ABSTRACT

Continuum manipulators (CMs) are widely used in minimally invasive procedures due to their compliant structure and ability to navigate deep and confined anatomical environments. However, their distributed deformation makes force sensing, contact detection, localization, and force estimation challenging, particularly when interactions occur at unknown arc-length locations along the robot. To address this problem, we propose a cascade learning-based framework (CLF) for CMs instrumented with a single distributed Optical Frequency Domain Reflectometry (OFDR) fiber embedded along one side of the robot. The OFDR sensor provides dense strain measurements along the manipulator backbone, capturing strain perturbations caused by external interactions. The proposed CLF first detects contact using a Gradient Boosting classifier and then estimates contact location and interaction force magnitude using a CNN--FiLM model that predicts a spatial force distribution along the manipulator. Experimental validation on a sensorized tendon-driven CM in an obstructed environment demonstrates that a single distributed OFDR fiber provides sufficient information to jointly infer contact occurrence, location, and force in continuum manipulators.

研究の動機と目的

• 制約環境下で連続体マニピュレータの信頼性ある接触検出、局在化、力推定を動機づけ、実現する。
• 離散センサとモデルベース手法の限界を克服するために高密度の OFDRひずみ計測を活用する。
• 接触を検出した後に位置と力を推定する階層的学習フレームワーク（CLF）を提案する。
• 埋め込まれた OFDR ファイバを備えた腱駆動型 CM で実環境の障害物位置を未知とした場合の一般化を検証する。

提案手法

• 腱駆動型連続体マニピュレータの片側に単一の分布型 OFDR ファイバを埋め込み、背骨全体の高密度ひずみを取得する。
• 最初に勾配ブースティング分類器を用いて接触を検出するカスケード学習フレームワーク（CLF）を開発する。
• CNN–FiLM モデルを用いてひずみプロファイルとモータ位置を、弧長に沿ったガウス符号化力分布へ写像し、局在化と大きさ推定を行う。
• 学習段階を監督するために力ゲージとモーションキャプチャを用いて地上 truth データを得る。
• 未知の障害物位置へ一般化させるため leave-one-test-id クロスバリデーションで学習する。
• 接触の局在化を、予測力分布の最大値の指標として表現し、弧長座標へマッピングする。

実験結果

リサーチクエスチョン

• RQ1 高密度の OFDR由来ひずみ場は、連続体マニピュレータ上の外部接触の信頼性の高い検出を可能にするか？
• RQ2 学習ベースのフレームワークは、分散ひずみデータからマニピュレータ上の接触位置を局在化できるか？
• RQ3 同じフレームワークは、OFDRひずみ測定のみを用いて外部接触力の大きさを正確に推定できるか？
• RQ4 カスケードアプローチは未知の障害物位置と曲げ方向へどれだけ一般化するか？

主な発見

Label	ROC-AUC	Recall	Precision	Force MAE (N)	Localization MAE (mm)
cv1	0.995	0.943	0.957	0.013	2.936
cv2	0.996	0.989	0.913	0.008	0.494
cv3	0.963	0.692	1.000	0.017	0.646
cv4	0.983	0.824	0.913	0.008	6.477
cv5	0.990	0.745	1.000	0.009	0.497
cv6	0.927	0.570	0.880	0.014	0.728
cv7	0.999	0.966	0.977	0.006	1.298
cv8	0.994	0.903	1.000	0.011	0.767
cc1	0.901	0.576	0.625	0.012	2.557
cc2	0.988	0.989	0.817	0.012	2.767
cc3	0.929	0.560	1.000	0.019	0.594
cc4	0.988	1.000	0.730	0.006	3.969
cc5	0.745	0.546	1.000	0.011	2.827
cc6	0.935	0.645	1.000	0.014	2.416
cc7	0.925	0.718	0.782	0.006	0.988
cc8	0.871	0.489	0.568	0.009	2.832

• 実行を跨いだ平均 ROC-AUC は 0.946 で、接触検出性能が高いことを示す。
• 平均力予測 MAE は 0.011 N、いくつかの試行は 0.01 N 未満の誤差を達成。
• 平均局在化 MAE は 2.112 mm、3 mm 内の予測が多数で、一部はサブミリメートルの結果。
• 凸形 (cv) 試行は概ねサブミリメートル〜低ミリメートルの局在化誤差と高い検出指標を示す。
• 凹形 (cc) 試行はひずみ対比が小さく局在化誤差が大きくなる傾向だが、それでも堅牢な性能を示す。
• 単一の分布型 OFDR ファイバが、接触の発生・局在・大きさを同時に推定するのに十分な情報を提供することを示している。