[论文解读] 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 0

一句话总结

这篇论文提出一个级联学习框架，利用单根分布式 OFDR 光纤在联合检测接触、沿连续机械臂定位接触位置以及估计接触力方面，无需显式逆建模。

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.

研究动机与目标

• 在受限环境下为连续机械臂提供可靠的接触检测、定位与力估计的动机与实现.
• 利用密集的 OFDR 应变传感来克服离散传感器和基于模型的方法的局限性.
• 提出一个级联学习框架（CLF），按顺序先检测接触再估计位置与力。
• 在带有嵌入式 OFDR 光纤的腱驱动型 CM 上对比地面实测数据，进行实验验证。

提出的方法

• 在腱驱动的连续操纵器一侧嵌入单根分布式 OFDR 光纤，以获得其骨干沿线的密集应变信息。
• 开发一个级联学习框架（CLF），首先使用梯度提升分类器来检测接触。
• 使用 CNN–FiLM 模型将应变轮廓与电机位置映射到沿弧长的高斯编码力分布，以实现定位与大小估计。
• 通过力计和运动捕捉获取地面实况数据，以监督学习阶段。
• 采用留一测试标识交叉验证来测试对未见障碍物位置的泛化能力。
• 用 predicted 力分布中最大值的索引来表示接触定位，并映射到圆弧长度坐标。

实验结果

研究问题

• RQ1 密度化的 OFDR 推导应变场是否能够实现对连续机械臂外部接触的可靠检测？
• RQ2 学习框架是否能够从分布式应变数据中对接触位置进行定位？
• RQ3 同一框架是否能够仅利用 OFDR 应变测量就准确估计外部接触力的大小？
• RQ4 级联系统对未知障碍物位置和弯曲方向的泛化能力如何？

主要发现

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

• 跨运行的平均 ROC-AUC 为 0.946，指示接触检测性能强。
• 平均力预测 MAE 为 0.011 N，若干试验达到亚 0.01 N 的误差。
• 平均定位 MAE 为 2.112 mm，许多预测在 3 mm 之内，部分结果达到亚毫米。
• 凸形（cv）试验通常显示亚毫米到低毫米级的定位误差以及高检测指标。
• 凹形（cc）试验因应变对比度降低而显示更高的定位误差，但仍保持鲁棒性。
• 该方法表明单根分布式 OFDR 光纤即可提供足够信息来联合推断接触发生、位置与大小。