機器人傳感器陣列怎么排才更優？T-RO新研究：減掉一半，精度更高

柔性機器人和可穿戴機器人這些年發展很快，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，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 年博士畢業于曼徹斯特大學，現為曼大數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。傳感器數量減少了，但布局經過優化后，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，后面的網絡就可以根據讀數去推斷機器人當前的形狀。

但現實里，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、長期穩定工作。所以，一個數值上“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、網絡模型或訓練數據，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化

傳統做法更像兩步走：先確定傳感器放哪、放幾根，再訓練網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；
• 網絡如何根據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，而是和感知網絡一起被聯合優化的對象。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在不同形變下的數據，并把這些形狀統一表示成可計算的曲面；然后在這個參數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絡，讓網絡去重建當前形狀；最后，再把預測誤差和制造約束一起回傳，同時更新網絡參數和傳感器布局。

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

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

03.

優化的不只是“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、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化過程。也就是說，它追求的不是“紙面上最優”，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，最后把傳感器數量從 20 根壓到了 6 根。更關鍵的是，優化后的 6 根布局，不僅優于未優化的 6 根布局，也優于未優化的 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。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化布局的效果。它說明，如果布局足夠合理，系統并不一定需要靠“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“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；優化之后，交叉被清零，傳感器數量也從 20 根降到了 10 根。

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

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

05.

有效優先于工整，可制造優先于最優

作者表示，此次研究還有兩個值得注意的啟發。

第一個是：最優布局未必最“工整”。

面對近似對稱的形變系統，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。

如果只優化重建誤差，系統很容易長出一些數學上有利、現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，系統才會收斂到既準確、又規整、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、直接優化的聯合設計問題。

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、又做得出來？

這正是此項研究給出的新答案。