柔性机器人和可穿戴机器人这些年发展很快，但它们一直有一个很关键、却常被低估的问题：传感器到底该怎么排？

这个问题看起来像是“贴几根传感器”的工程细节，实际上直接影响机器人能不能准确感知自己的形变。贴少了，信息不够；贴多了，制造更麻烦、布线更复杂，传感器之间还可能互相干扰，甚至根本做不出来。

过去，这件事很大程度上依赖经验、直觉和反复试错。最近，曼彻斯特大学 Charlie C.L. Wang 团队与港中文合作者在IEEE Transactions on Robotics (T-RO)发表了一篇论文，给出的核心结论非常明确：对机器人来说，关键不是把传感器越贴越多，而是把传感器排得更合理。

本项研究由曼彻斯特大学机械与航空航天工程系主导完成。通讯作者Charlie C.L. Wang 教授，现任曼彻斯特大学智能制造方向讲席教授 (Professor and Chair in Smart Manufacturing)。王教授是美国机械工程师学会会士（ASME Fellow）和Solid Modelling Association 会士（SMA Fellow），研究方向覆盖数字化制造、增材制造、软体机器人、几何计算与计算机图形学。

第一作者Yingjun Tian，2024 年博士毕业于曼彻斯特大学，现为曼大数字制造实验室博士后研究员，研究方向涵盖计算设计、软体机器人与 3D 打印。

其他作者包括：曼大博士生Aoran Lyu（计算机图形学与物理仿真）、港中文助理教授Guoxin Fang、Zikang Shi（多轴运动规划与机器人辅助制造）、Xilong Wang（软体机器人与曲面重建）、Yuhu Guo（神经图形学与计算设计），以及曼大博士后研究员Weiming Wang（计算制造与增材制造，曾获欧盟 Marie Curie LEaDing Fellow）。

• 论文链接：https://arxiv.org/abs/2603.10059
• 项目链接：https://github.com/YingGwan/SensorOpt

图1: 这项工作的核心结果很反直觉。传感器数量减少了，但布局经过优化后，形变预测反而更准。

01.

难点不只在“感知”，更在“布局”

在软体机器人、柔性穿戴和形变感知皮肤这类系统里，传感器就像机器人的“神经末梢”。理论上，只要信号足够丰富，后面的网络就可以根据读数去推断机器人当前的形状。

但现实里，传感器布局并不是一个中性的前提条件。如果布局本身不合理，比如关键区域覆盖不足、冗余传感器扎堆、局部线路交叉严重，那么后面的网络再怎么训练，也只能在一个先天不好的起点上补救。

更重要的是，柔性传感器还要面对真实制造约束。它不是屏幕上画出来就算完成的几条线，而是要真的做成硬件、贴到机器人表面、长期稳定工作。所以，一个数值上“看起来不错”的方案，未必真能落地。

这也是为什么“传感器怎么排”长期以来都不是一个容易回答的问题。很多工作在提升传感器材料、网络模型或训练数据，但布局往往还是先人工指定，再让算法去适应。

02.

把布局和感知一起优化

传统做法更像两步走：先确定传感器放哪、放几根，再训练网络从这组固定信号里预测形变。

这次，研究团队把顺序倒了过来。他们把三件事放进了同一个端到端优化框架里：

• 传感器贴在哪里；
• 哪些传感器该保留、哪些可以删掉；
• 网络如何根据这些传感器信号去重建机器人的形变。

也就是说，传感器布局不再是人工预设的前提，而是和感知网络一起被联合优化的对象。如果把这套方法拆开来看，它其实是一条很清晰的pipeline。

作者先收集机器人或穿戴系统在不同形变下的数据，并把这些形状统一表示成可计算的曲面；然后在这个参数空间里表示每根传感器的位置，并给每根传感器配一个可学习的“开关”，让系统自己决定它该留下还是被删掉；接着，把这些传感器产生的长度信号送进形变预测网络，让网络去重建当前形状；最后，再把预测误差和制造约束一起回传，同时更新网络参数和传感器布局。

换句话说，这不是“先定布局，再训网络”的串行流程，而是一个闭环：哪种布局更有利于机器人感知，哪种布局更利于制造，系统会在训练过程中一起学出来。

图2：这套端到端协同优化 pipeline 的关键，在于预测误差和制造约束会一起回传，持续推动传感器布局向更优解收敛。

03.

优化的不只是“准”，还包括“做得出来”

这篇研究最扎实的地方，并不只是让预测误差下降，而是把制造约束也一起写进了优化目标里。

对柔性传感器来说，至少有三类问题绕不过去：

• 传感器之间不能随意交叉，否则制造和贴附都会变复杂；
• 相邻传感器不能离得太近，否则容易带来局部刚度不连续、材料疲劳或者相互干扰；
• 传感器也不能一味做得很长，因为过长会明显增加制造难度。

很多工程问题之所以“仿真里很好，落地时很糟”，不是因为优化算法不够强，而是因为真正重要的约束从来没有被写进目标函数里。

这项工作比较可贵的地方，是它没有把制造约束当成事后检查项，而是一开始就把它们纳入优化过程。也就是说，它追求的不是“纸面上最优”，而是“既能提高机器人形变感知精度，又真的适合做成硬件”的方案。

04.

实验证实，在三个真实系统上都跑通了

研究没有只在一个示意案例上展示效果，而是在三类系统上都做了验证。

第一组是软体机械臂。研究团队从随机初始布局出发，最后把传感器数量从 20 根压到了 6 根。更关键的是，优化后的 6 根布局，不仅优于未优化的 6 根布局，也优于未优化的 20 根布局。这说明对于机器人来说，决定传感效率的关键，并不只是传感器数量，而是有效信息能不能被布局真正捕捉到。

第二组是肩部柔性穿戴系统。这组实验把 20 根随机传感器压缩到了 4 根，并在真实穿戴测试里验证了优化布局的效果。它说明，如果布局足够合理，系统并不一定需要靠“堆料”来提升性能，反而可以做得更轻、更简洁。

第三组是可变形人体模型。这组实验更能体现“从能算到能做”的价值。初始布局中存在大量交叉，制造意义并不大；优化之后，交叉被清零，传感器数量也从 20 根降到了 10 根。

研究还进一步把优化后的 10 传感器布局和服装行业专家设计的 10 传感器布局做了对比，结果显示，优化后的布局不仅更短、更规整，而且在真实测试中的整体表现也更好。

图3：同样都是 10 根传感器，优化布局和专家经验布局的表现并不一样。论文想说明的是，针对具体机器人感知任务，布局可以被系统性优化，而不必完全依赖经验。

05.

有效优先于工整，可制造优先于最优

作者表示，此次研究还有两个值得注意的启发。

第一个是：最优布局未必最“工整”。

面对近似对称的形变系统，直觉上大家很容易认为，传感器也应该做成镜像对称。但论文的实验结果表明，真正有效的信息分布未必是完美对称的。机器人需要的不是“看起来舒服”的布局，而是“对任务最有用”的布局。

第二个是：制造约束不是附加条件，而是问题本体的一部分。

如果只优化重建误差，系统很容易长出一些数学上有利、现实中却很难制造的布局，比如传感器过长、过密、互相交叉。只有把重建目标和制造约束一起考虑，系统才会收敛到既准确、又规整、又可落地的解。

图4：消融实验的意义很明确。只追求误差更小，并不会自动得到更好的机器人硬件设计；可制造性必须被一起优化。

06.

推进了一种新的设计方式

此次研究最值得记住的，不只是某一个实验里把 20 根变成了 6 根、4 根或 10 根，而是它把一个长期依赖经验和试错的问题，推进成了一个可以直接计算、直接优化的联合设计问题。

未来我们设计机器人的“神经末梢”时，真正该问的也许不再只是“要不要多贴几根传感器”，而是：

• 哪几根最值得留下？
• 它们应该贴在哪里？
• 怎样才能既准、又稳、又做得出来？

这正是此项研究给出的新答案。