数据驱动的受限空间导航磁性软毫米机器人逆向设计方法学

《Advanced Science》：A Data-Driven Inverse Design Methodology for Magnetic Soft Millirobots Navigating in Confined Spaces

　　

磁性软毫米机器人能够在狭窄环境中实现无缆运动。然而，由于软体变形、磁驱动与环境接触之间复杂的相互作用，其设计在很大程度上仍依赖于直觉。在此，研究人员提出了一种针对接触丰富且非光滑环境定制的、具备不确定性感知能力且数据高效的逆向设计方法学。该方法将基于物理的科斯萨特（Cosserat）杆模型与基于高斯过程（Gaussian Process, GP）的贝叶斯优化（Bayesian Optimization, BO）相结合，以自动化受限空间爬行机器人的设计。为了减轻仿真与现实之间的差异，通过显式建模接触不确定性引入了域随机化（Domain Randomization）。专注于关键几何瓶颈的通道分割策略提高了效率和准确性，在蛇形通道中将优化时间缩短了一半，并将决定系数（R²）提高了一个数量级。优化后的机器人在各种异质条件下均能持续爬行，表现始终优于任意选择的基线设计，未出现卷曲或卡滞等故障。当应用于模拟冠状动脉几何结构时，优化设计的速度达到 2.66 mm/s，几乎是基线平均速度 1.42 mm/s 的两倍。在具有 2.5 mm 面外起伏的模拟动脉通道中的验证进一步证明了该优化框架的可靠性；值得注意的是，优化设计保持了不间断运动，而 25% 的基线设计发生卡滞。这项工作为任务驱动的磁性软毫米机器人设计建立了一种不确定性感知的逆向设计方法学，为面向实际应用的自动化“设计到部署”流程铺平了道路。

**受限空间磁性软毫米机器人数据驱动逆向设计研究解读**

**研究背景与意义**
小型磁性软机器人因其能够无线操控并在受限空间及狭窄通道中导航而备受关注。这类机器人通常由嵌入硬磁性微粒的聚合物基体构成的磁性软复合材料制成。尽管其磁化分布可编程从而实现多种变形模式，但在受限空间（如狭窄通道和缝隙）中设计此类机器人面临巨大挑战。机器人的运动源于磁致扭矩、机器人固有的非线性磁弹性变形以及与周围墙壁间歇性接触相互作用之间的耦合。这三种因素的相互作用使得从设计参数（机器人长度 L、厚度 t 和波数 w）到运动性能的映射呈现高度非线性且难以解析求解。次优设计常导致卷曲、卡滞或停滞等运动失效。现有的设计范式多依赖人工直觉或耗时的“试错”循环，而现有的逆向设计方法要么局限于静态变形，要么因计算成本高昂而简化了动态接触相互作用，难以准确捕捉复杂环境中的非线性接触力和动态行为。此外，数据驱动的深度学习方法虽能绕过物理求解器的计算负担，但存在数据需求量大且对噪声敏感的问题，不适用于医疗场景中昂贵且多变的数据获取过程。因此，开发一种既能处理高维非线性接触动力学，又具备数据高效性和鲁棒性的逆向设计方法至关重要。本研究旨在解决上述问题，提出一种专为受限空间导航优化的片状磁性软毫米机器人设计方法学，通过结合物理模型与贝叶斯优化，实现自动化、高鲁棒性的机器人设计，对推动医疗微机器人在真实血管环境中的应用具有重要意义。该成果发表于《Advanced Science》。

**关键技术与方法**
研究人员提出了一种融合物理模型与不确定性感知贝叶斯优化的逆向设计框架。首先，构建了基于科斯萨特（Cosserat）杆理论的正向物理模型，该模型考虑了细丝的六个自由度（弯曲、扭转、拉伸和剪切），能精确描述软体机器人的非线性磁弹性动力学及与环境的接触力学。其次，采用基于高斯过程（GP）的贝叶斯优化算法作为核心优化引擎，该算法无需梯度推导且适合处理高噪声、高成本的优化问题。为应对仿真与现实的差距，引入了域随机化策略，在优化过程中对有效摩擦系数进行随机扰动，以模拟环境接触的不确定性，从而获得具有内在鲁棒性的设计。此外，提出了一种通道分割策略，通过识别通道中曲率最大、宽度最小等五个关键几何瓶颈段，仅对这些关键段进行仿真评估，从而大幅降低计算成本并提高代理模型的预测精度。实验验证部分采用了从 X 射线血管造影图像中提取的真实冠状动脉几何结构构建的仿生通道，以及具有面外起伏的三维通道，对比了优化设计与随机基线设计的性能。

**研究结果**
**无通道分割的优化验证**
研究人员首先在一个简单的漏斗形通道中验证了贝叶斯优化框架。结果显示，经过 28 次迭代，优化算法收敛至全局最优解附近。实验表明，优化后的设计在不同表面纹理和材料（如聚乳酸和硅橡胶）上均表现出优于随机基线设计的平均速度，证实了框架在多变摩擦环境下的有效性。

**基于通道分割的高效仿真优化**
针对复杂长通道，研究人员对比了全通道仿真与通道分割策略。结果表明，全通道仿真的代理模型预测精度低（R²=0.078）且耗时巨大；而采用通道分割策略后，单次试验计算时间减半，模型预测精度显著提升（R²=0.785）。在蛇形通道实验中，优化设计的爬行速度与全通道优化结果相当，且远快于基线设计，证明了分割策略能以极低的计算成本捕捉关键运动特征。

**冠状动脉仿生通道的应用**
研究人员将该方法应用于模拟右冠状动脉几何结构的通道。优化后的机器人在该复杂几何结构中实现了 2.66 mm/s 的平均速度，几乎是随机基线设计平均速度（1.42 mm/s）的两倍，且未发生卷曲或卡滞。这证实了该方法在处理高度扭曲、宽度变化剧烈的生物医学相关几何结构时的优越性。

**三维通道的扩展验证**
进一步地，研究将框架扩展至具有 2.5 mm 面外起伏的三维冠状动脉模型。优化设计在三维环境中依然保持了稳定的波动爬行能力，平均速度显著高于基线，而部分基线设计则出现停滞或被困。这表明优化后的几何参数具有跨越维度变化的鲁棒性，能够适应一定程度的面外几何变化。

**总结与讨论**
本研究成功建立了一种数据高效、具备不确定性感知能力的磁性软毫米机器人逆向设计方法学。通过将科斯萨特（Cosserat）杆模型与贝叶斯优化相结合，并引入域随机化和通道分割策略，研究人员实现了在无需大量训练数据或 exhaustive 仿真的情况下，自动设计出能在复杂受限空间中快速、可靠爬行的机器人。优化后的设计在多种异质通道几何结构和摩擦条件下，均展现出卓越的运动性能，有效避免了卷曲、卡滞和停滞等失效模式。特别是在模拟冠状动脉的二维及三维通道中，优化设计不仅速度显著提升，且具备极强的环境适应性。研究结论指出，该框架不仅准确捕捉了驱动、变形与接触力学之间的非线性耦合关系，更为面向真实应用场景的任务驱动型机器人设计提供了一条切实可行的技术路径。未来工作将致力于从一维杆模型向全三维连续介质力学模型过渡，引入超弹性本构定律以更精确地描述大应变变形，并开发更高效的碰撞检测算法以应对更高维度的优化挑战，最终实现任意连续磁化分布剖面和完全三维边界的优化，推动其在复杂解剖环境中的精准医疗应用。