柔性機器人和可穿戴機器人這些年發(fā)展很快，但它們一直有一個很關鍵、卻常被低估的問題：傳感器到底該怎么排？

這個問題看起來像是“貼幾根傳感器”的工程細節(jié)，實際上直接影響機器人能不能準確感知自己的形變。貼少了，信息不夠；貼多了，制造更麻煩、布線更復雜，傳感器之間還可能互相干擾，甚至根本做不出來。

過去，這件事很大程度上依賴經驗、直覺和反復試錯。最近，曼徹斯特大學 Charlie C.L. Wang 團隊與港中文合作者在IEEE Transactions on Robotics (T-RO)發(fā)表了一篇論文，給出的核心結論非常明確：對機器人來說，關鍵不是把傳感器越貼越多，而是把傳感器排得更合理。

本項研究由曼徹斯特大學機械與航空航天工程系主導完成。通訊作者Charlie C.L. Wang 教授，現(xiàn)任曼徹斯特大學智能制造方向講席教授 (Professor and Chair in Smart Manufacturing)。王教授是美國機械工程師學會會士（ASME Fellow）和Solid Modelling Association 會士（SMA Fellow），研究方向覆蓋數(shù)字化制造、增材制造、軟體機器人、幾何計算與計算機圖形學。

第一作者Yingjun Tian，2024 年博士畢業(yè)于曼徹斯特大學，現(xiàn)為曼大數(shù)字制造實驗室博士后研究員，研究方向涵蓋計算設計、軟體機器人與 3D 打印。

其他作者包括：曼大博士生Aoran Lyu（計算機圖形學與物理仿真）、港中文助理教授Guoxin Fang、Zikang Shi（多軸運動規(guī)劃與機器人輔助制造）、Xilong Wang（軟體機器人與曲面重建）、Yuhu Guo（神經圖形學與計算設計），以及曼大博士后研究員Weiming Wang（計算制造與增材制造，曾獲歐盟 Marie Curie LEaDing Fellow）。

• 論文鏈接：https://arxiv.org/abs/2603.10059
• 項目鏈接：https://github.com/YingGwan/SensorOpt

圖1: 這項工作的核心結果很反直覺。傳感器數(shù)量減少了，但布局經過優(yōu)化后，形變預測反而更準。

01.

難點不只在“感知”，更在“布局”

在軟體機器人、柔性穿戴和形變感知皮膚這類系統(tǒng)里，傳感器就像機器人的“神經末梢”。理論上，只要信號足夠豐富，后面的網(wǎng)絡就可以根據(jù)讀數(shù)去推斷機器人當前的形狀。

但現(xiàn)實里，傳感器布局并不是一個中性的前提條件。如果布局本身不合理，比如關鍵區(qū)域覆蓋不足、冗余傳感器扎堆、局部線路交叉嚴重，那么后面的網(wǎng)絡再怎么訓練，也只能在一個先天不好的起點上補救。

更重要的是，柔性傳感器還要面對真實制造約束。它不是屏幕上畫出來就算完成的幾條線，而是要真的做成硬件、貼到機器人表面、長期穩(wěn)定工作。所以，一個數(shù)值上“看起來不錯”的方案，未必真能落地。

這也是為什么“傳感器怎么排”長期以來都不是一個容易回答的問題。很多工作在提升傳感器材料、網(wǎng)絡模型或訓練數(shù)據(jù)，但布局往往還是先人工指定，再讓算法去適應。

02.

把布局和感知一起優(yōu)化

傳統(tǒng)做法更像兩步走：先確定傳感器放哪、放幾根，再訓練網(wǎng)絡從這組固定信號里預測形變。

這次，研究團隊把順序倒了過來。他們把三件事放進了同一個端到端優(yōu)化框架里：

• 傳感器貼在哪里；
• 哪些傳感器該保留、哪些可以刪掉；
• 網(wǎng)絡如何根據(jù)這些傳感器信號去重建機器人的形變。

也就是說，傳感器布局不再是人工預設的前提，而是和感知網(wǎng)絡一起被聯(lián)合優(yōu)化的對象。如果把這套方法拆開來看，它其實是一條很清晰的pipeline。

作者先收集機器人或穿戴系統(tǒng)在不同形變下的數(shù)據(jù)，并把這些形狀統(tǒng)一表示成可計算的曲面；然后在這個參數(shù)空間里表示每根傳感器的位置，并給每根傳感器配一個可學習的“開關”，讓系統(tǒng)自己決定它該留下還是被刪掉；接著，把這些傳感器產生的長度信號送進形變預測網(wǎng)絡，讓網(wǎng)絡去重建當前形狀；最后，再把預測誤差和制造約束一起回傳，同時更新網(wǎng)絡參數(shù)和傳感器布局。

換句話說，這不是“先定布局，再訓網(wǎng)絡”的串行流程，而是一個閉環(huán)：哪種布局更有利于機器人感知，哪種布局更利于制造，系統(tǒng)會在訓練過程中一起學出來。

圖2：這套端到端協(xié)同優(yōu)化 pipeline 的關鍵，在于預測誤差和制造約束會一起回傳，持續(xù)推動傳感器布局向更優(yōu)解收斂。

03.

優(yōu)化的不只是“準”，還包括“做得出來”

這篇研究最扎實的地方，并不只是讓預測誤差下降，而是把制造約束也一起寫進了優(yōu)化目標里。

對柔性傳感器來說，至少有三類問題繞不過去：

• 傳感器之間不能隨意交叉，否則制造和貼附都會變復雜；
• 相鄰傳感器不能離得太近，否則容易帶來局部剛度不連續(xù)、材料疲勞或者相互干擾；
• 傳感器也不能一味做得很長，因為過長會明顯增加制造難度。

很多工程問題之所以“仿真里很好，落地時很糟”，不是因為優(yōu)化算法不夠強，而是因為真正重要的約束從來沒有被寫進目標函數(shù)里。

這項工作比較可貴的地方，是它沒有把制造約束當成事后檢查項，而是一開始就把它們納入優(yōu)化過程。也就是說，它追求的不是“紙面上最優(yōu)”，而是“既能提高機器人形變感知精度，又真的適合做成硬件”的方案。

04.

實驗證實，在三個真實系統(tǒng)上都跑通了

研究沒有只在一個示意案例上展示效果，而是在三類系統(tǒng)上都做了驗證。

第一組是軟體機械臂。研究團隊從隨機初始布局出發(fā)，最后把傳感器數(shù)量從 20 根壓到了 6 根。更關鍵的是，優(yōu)化后的 6 根布局，不僅優(yōu)于未優(yōu)化的 6 根布局，也優(yōu)于未優(yōu)化的 20 根布局。這說明對于機器人來說，決定傳感效率的關鍵，并不只是傳感器數(shù)量，而是有效信息能不能被布局真正捕捉到。

第二組是肩部柔性穿戴系統(tǒng)。這組實驗把 20 根隨機傳感器壓縮到了 4 根，并在真實穿戴測試里驗證了優(yōu)化布局的效果。它說明，如果布局足夠合理，系統(tǒng)并不一定需要靠“堆料”來提升性能，反而可以做得更輕、更簡潔。

第三組是可變形人體模型。這組實驗更能體現(xiàn)“從能算到能做”的價值。初始布局中存在大量交叉，制造意義并不大；優(yōu)化之后，交叉被清零，傳感器數(shù)量也從 20 根降到了 10 根。

研究還進一步把優(yōu)化后的 10 傳感器布局和服裝行業(yè)專家設計的 10 傳感器布局做了對比，結果顯示，優(yōu)化后的布局不僅更短、更規(guī)整，而且在真實測試中的整體表現(xiàn)也更好。

圖3：同樣都是 10 根傳感器，優(yōu)化布局和專家經驗布局的表現(xiàn)并不一樣。論文想說明的是，針對具體機器人感知任務，布局可以被系統(tǒng)性優(yōu)化，而不必完全依賴經驗。

05.

有效優(yōu)先于工整，可制造優(yōu)先于最優(yōu)

作者表示，此次研究還有兩個值得注意的啟發(fā)。

第一個是：最優(yōu)布局未必最“工整”。

面對近似對稱的形變系統(tǒng)，直覺上大家很容易認為，傳感器也應該做成鏡像對稱。但論文的實驗結果表明，真正有效的信息分布未必是完美對稱的。機器人需要的不是“看起來舒服”的布局，而是“對任務最有用”的布局。

第二個是：制造約束不是附加條件，而是問題本體的一部分。

如果只優(yōu)化重建誤差，系統(tǒng)很容易長出一些數(shù)學上有利、現(xiàn)實中卻很難制造的布局，比如傳感器過長、過密、互相交叉。只有把重建目標和制造約束一起考慮，系統(tǒng)才會收斂到既準確、又規(guī)整、又可落地的解。

圖4：消融實驗的意義很明確。只追求誤差更小，并不會自動得到更好的機器人硬件設計；可制造性必須被一起優(yōu)化。

06.

推進了一種新的設計方式

此次研究最值得記住的，不只是某一個實驗里把 20 根變成了 6 根、4 根或 10 根，而是它把一個長期依賴經驗和試錯的問題，推進成了一個可以直接計算、直接優(yōu)化的聯(lián)合設計問題。

未來我們設計機器人的“神經末梢”時，真正該問的也許不再只是“要不要多貼幾根傳感器”，而是：

• 哪幾根最值得留下？
• 它們應該貼在哪里？
• 怎樣才能既準、又穩(wěn)、又做得出來？

這正是此項研究給出的新答案。