[논문 리뷰] A Learning-Based Approach for Contact Detection, Localization, and Force Estimation of Continuum Manipulators With Integrated OFDR Optical Fiber

Mobina Tavangarifard, Jonathan S. Kacines외 2명|arXiv (Cornell University)|2026. 03. 12.

Soft Robotics and Applications인용 수 0

한 줄 요약

이 논문은 단일 분산 OFDR 광섬유를 사용하여 접촉을 공동 탐지하고, 연속 매니퓰레이터를 따라 접촉 위치를 로컬라이즈하며, 명시적 역모델링 없이 접촉력을 추정하는 cascade 학습 프레임워크를 제안한다.

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.

연구 동기 및 목표

• 제약된 환경에서 연속 매니퓰레이터에 대한 안정적인 접촉 탐지, 위치 파악 및 힘 추정을 가능하게 하고 이를 신뢰할 수 있도록 한다.
• 이산 센서와 모델 기반 접근의 한계를 극복하기 위해 밀집된 OFDR 변형 측정을 활용한다.
• 접촉을 순차적으로 탐지하고 그다음 위치와 힘을 추정하는 cascaded learning framework(CLF)을 제안한다.
• 내부 OFDR 섬유를 내장한 힘줄 구동형 CM에서 ground-truth 측정치와 비교하여 접근 방식을 실험적으로 검증한다.

제안 방법

• 힘줄 구동 연속 매니퓰레이터의 한 면을 따라 단일 분산된 OFDR 섬유를 내장하여 백본을 따라 밀집된 변형을 얻는다.
• Cascade Learning Framework(CLF)를 개발하여 먼저 Gradient Boosting 분류기로 접촉을 탐지한다.
• CNN–FiLM 모델을 사용해 변형 프로파일과 모터 위치를 Arc 길이를 따라 가우시안 인코딩된 힘 분포로 매핑하여 위치 추정 및 크기 추정을 수행한다.
• Ground-truth 데이터는 힘 계 및 모션 캡처를 통해 학습 단계 감독에 사용된다.
• 다 unseen obstacle 위치에 대한 일반화를 확인하기 위해 leave-one-test-id 교차 검증으로 학습한다.
• 접촉 위치를 예측된 힘 분포의 최대값 인덱스로 표현하고 Arc-length 좌표에 매핑한다.

실험 결과

연구 질문

• RQ1 밀집 OFDR 유도 변형 필드가 연속 매니퓰레이터를 따라 외부 접촉을 신뢰성 있게 탐지하도록 할 수 있는가?
• RQ2 학습 기반 프레임워크가 분포된 변형 데이터를 통해 매니퓰레이터를 따라 접촉 위치를 로컬라이즈 할 수 있는가?
• RQ3 같은 프레임워크가 OFDR 변형 측정만으로 외부 접촉 힘의 크기를 정확히 추정할 수 있는가?
• RQ4 cascade 접근법이 보지 못한 장애물 위치와 굽힘 방향에 얼마나 잘 일반화되는가?

주요 결과

라벨	ROC-AUC	재현율	정밀도	힘 MAE (N)	로컬라이제이션 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

• Run 간 평균 ROC-AUC 값이 0.946로 접촉 탐지 성능이 우수함을 시사한다.
• 평균 힘 예측 MAE는 0.011 N이며, 여러 실험에서 0.01 N 미만의 오차를 달성했다.
• 평균 로컬라이제이션 MAE는 2.112 mm로, 많은 예측이 3 mm 이내이며 일부는 밀리미터 이하 결과를 보인다.
• 볼록(cv) 실험은 일반적으로 밀리미터 미만의 위치 오차 및 높은 탐지 지표를 보인다.
• 오목(cc) 실험은 스트레인 대비 감소로 위치 오차가 더 크지만 여전히 강건한 성능을 보인다.
• 단일 분산 OFDR 섬유가 접촉 발생 여부, 위치 및 크기를 공동으로 추론하기에 충분한 정보를 제공함을 보여준다.