软体连续体机器人因其灵活性和适应性而在医疗、探索等领域受到广泛关注。然而，要实现精确的本体感觉（感知自身形状）和接触检测（感知外部接触），需要将传感器集成到高度可变形的结构中，这极具挑战性。传统的传感方法往往需要复杂的布线或外部设备，限制了机器人的自主性。近期，来自意大利和英国的研究团队提出了一种创新的基于模型的解耦策略，利用嵌入在软体拱形段中的流体压力传感器，从共同信号中分离出本体感觉和接触信息，为软体机器人的感知技术开辟了新途径。
该研究中的每个拱形段被称为“神经支配修剪螺旋体”（Innervated Trimmed Helicoid, ITH），其内部包含六个沿圆周呈锯齿形分布的气道。尽管每个ITH段只有三个主要运动自由度（轴向压缩、X方向弯曲、Y方向弯曲），但六个压力读数构成了一个过定系统。通过分段常曲率模型将压力映射到形状，并利用Huber回归识别残差异常的气道（这些残差指示外部接触），研究人员成功实现了形状估计和接触检测的解耦。
在针对单个ITH段的实验中，该方法展现出卓越的性能：本体感觉形状估计的相对弯曲误差仅为0.11±0.02，而在178次试验中接触检测率高达97%。这些结果证明了该策略的有效性和鲁棒性。进一步地，研究团队将八个ITH段集成到名为Air-Helix的肌腱驱动软体连续体机械臂中，并进行了全臂演示。演示内容包括触觉示教（通过人类示范传授动作）、导纳控制力调节（在接触时调整力反馈）以及触觉物体重建（通过接触感知重建物体形状）。
该研究的核心贡献在于，局部流体神经支配（即每个段内嵌入的压力传感器）与基于模型的冗余解析相结合，为拱形软体机器人同时实现本体感觉和接触传感提供了一种实用的路径。这种方法避免了外部传感器或复杂布线的需求，有望推动软体机器人在人机交互、医疗手术和未知环境探索等领域的实际应用。该论文已被2026年IEEE/RSJ智能机器人与系统国际会议（IROS）接收。
总之，这项研究不仅解决了软体机器人传感领域的一个关键挑战，而且为未来的研究提供了新的方向。通过模型驱动的方式，将本体感觉与接触检测分离，软体机械臂可以更安全、更智能地与环境交互，为下一代软体机器人的发展奠定了基础。感兴趣的读者可以查阅arXiv:2607.15582获取更多技术细节。